Modulhandbuch

Angewandte Künstliche Intelligenz (AKI)

Machine Learning 1

Empfohlene Vorkenntnisse

Programmieren 1, Einführung in die Künstliche Intelligenz, Python

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen Begriffe des Machine Learnings, grundlegende Methoden, Herausforderungen und Vorgehensweisen im Machine Learning. Die Studierenden sind nach Absolvierung des Moduls in der  Lage, eigenständig eine Datenanalyse von der Vorverarbeitung der Daten bis hin zur Bewertung der Ergebnisse mit Machine-Learning-Verfahren durchzuführen. Die Studierenden können ihre Lösungen erklären  und das Ergebnis bewerten.

Die Studierenden können mögliche Probleme bei allen Schritten der Datenanalyse beurteilen und geeignete Lösungen auswählen. Die Grundlagen und die praktische Anwendung der Tools sind bekannt. Die  Studierenden sind in der Lage, passende Verfahren für gegebene Machine-Learning-Problemstellungen auszuwählen, anzuwenden und ggf. anzupassen. Die wesentlichen Vor- und Nachteile der Verfahren und Vorgehensweisen werden problemspezifisch bewertet.

Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90
Selbststudium / Gruppenarbeit: 120
Workload 210
ECTS 7.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Machine Learning 1" (K90) "Praktikum Machine Learning 1" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Stephan Trahasch

Max. Teilnehmer 41
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI

Veranstaltungen

Machine Learning 1

Art Vorlesung
Nr. EMI908
SWS 4.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:
• Definition von Machine Learning
• Arten des Machine Learning (Supervised und Unsupervised Machine Learning, reinforcement Learning)
• Vorgehensprozesse in Machine Learning Projekten
• Machine Learning for Business
• Evaluation von Machine Learning Algorithmen, Metriken und Gütemaße, Wirtschaftlichkeitsberechnungen
• Over- und Underfitting, Bias/Variance
• Strategien zur Datenaufteilung für Training (Cross Validation, Hold-Out, Bootstrapping)
• Data Preperation
• Lineare Regression und Logistische Regression
• Klassifikation (Entscheidungsbäume, Random Forests, Naive Bayes, k-nächste Nachbarn, Support Vector Machines, Neuronale Netze)
• Dimensionsreduktionsverfahren
• Machine Learning Bibliotheken in Python Fallstudien

Literatur
  • Aggarwal, Charu C. (2015): Data Mining. The Textbook. Cham: Springer International Publishing (SpringerLink: Bücher).
  • Witten, I. H.; Hall, Mark A. (2016): Data mining. Practical machine learning tools and techniques. 4. Aufl. San Francisco: Elsevier Science & Technology.
  • Provost, Foster; Fawcett, Tom (2013): Data science for business. What you need to know about data mining and data-analytic thinking. Kindle Edition. Sebastopol, CA: O'Reilly & Associates.
  • Haneke, Uwe; Trahasch, Stephan; Zimmer, Michael; Felden, Carsten (Hg.) (2018): Data Science. Heidelberg: dpunkt.verlag GmbH.
  • Hastie, Trevor; Tibshirani, Robert; Friedman, J. H. (2017): The elements of statistical learning. Data mining, inference, and prediction. 12th ed. New York: Springer (Springer series in statistics).

 

Praktikum Machine Learning 1

Art Praktikum
Nr. EMI909
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Datenvorverarbeitung
  • Regression
  • Klassifikation
  • Evaluation von unterschiedlichen Verfahren
  • Anwenden von Python-Bibliotheken zu Machine Learning
Literatur

Géron, Aurélien (2019): Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. Concepts, tools, and techniques to build intelligent systems. Second edition. Sebastopol, CA: O'Reilly Media, Inc.