Allgemeine Informationen
Der Kurs findet als semesterbegleitende Veranstaltung im Wintersemester in englischer Sprache statt.
Das Modul wird mit 5 LP kreditiert.
Die Veranstaltung gehört zur Spezialisierung DataScienceMATSE .
Weitere Informationen finden Sie unter https://data.bialonski.de/vml/.
Unterrichtsdauer
2 SWS Vorlesung pro Woche
2 SWS Übung pro Woche
Voraussetzungen
Beherrschung einer Programmiersprache, Lineare Algebra 2, Analysis 2
Inhalte
Machine Learning ist eines der wichtigsten Teilgebiete der Künstlichen Intelligenz und befasst sich mit der Entwicklung von Algorithmen und statistischen Modellen, die es Computern ermöglichen, aus Daten zu lernen, ohne explizit programmiert zu werden. Machine Learning hat ein breites Anwendungsspektrum, das von der Spracherkennung und Bildverarbeitung bis zur medizinischen Diagnose und Finanzprognose reicht.
Das Modul vermittelt grundlegende Konzepte und Verfahren aus dem Spektrum des überwachten und unüberwachten Lernens, die eine selbstständige Durchführung von Machine Learning Projekten ermöglichen. Im Bereich des überwachten Lernens werden Klassifikations- und Regressionsansätze (beispielsweise nächste-Nachbarn Modelle, Bäume, Support Vector Machines und Kernel-Ansätze) behandelt. Wichtige lineare und nicht-lineare Ansätze des unüberwachten Lernens beinhalten Methoden zur Dimensionsreduktion und Clusteridentifikation (beispielsweise PCA, k-means, LDA). Das Praktikum wird mit facheinschlägigen Mitteln (Python, Numpy, Scikit-Learn, Jupyter) durchgeführt
Veranstaltungsunterlagen
Werden noch bekannt gegeben.
Prüfung
Schriftliche Klausur über mindestens 75 Minuten oder mündliche Prüfung über mindestens 20 Minuten. Das Ergebnis dieser Prüfung bestimmt die Benotung.
Literatur
- James G., Witten D., Hastie T., Tibshirani R. (2021). Introduction to statistical learning.
- Abu-Mustafa Y. S., Magdon-Ismail M., Lin H. T. (2017). Learning from data.
- Frochte J. (2019) Maschinelles Lernen
- Müller A. C., Guido S. (2017). Einführung in Machine Learning mit Python