Digitale Wirtschaft / Industrie 4.0

Bewerbung Studienberatung

Modulhandbuch

←  Zurück 

Maschinelles Lernen

Empfohlene Vorkenntnisse

IT Grundlagen (z.B. Excel, Datenbanken etc.), Statistik

Geeignet für Berufstätige und Wiedereinsteiger*innen

 
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen und verstehen Nutzen, Potentiale und Grenzen von Maschinellem Lernen. Sie kennen wichtige Verfahren und Anwendungen des Maschinellen Lernens.  Sie können mit diesen Verfahren selbständig Modelle nach dem CRISP Prozess entwickeln und deren Leistungsfähigkeit beurteilen. Die Studierenden können ihr erworbenes Wissen auf Probleme aus der Praxis anwenden.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 45 h
Selbststudium / Gruppenarbeit: 135 h
Workload 180 h
ECTS 6.0
Voraussetzungen für die Vergabe von LP

Vorlesung Maschinelles Lernen: K90

Labor Maschinelles Lernen: LA (unbenotet)

Die Gesamtnote entspricht der Klausurnote. Die Laborarbeit muss bestanden sein.

 
Leistungspunkte Noten

 

 
Modulverantwortlicher

Prof. Dr. rer. nat. Stephan Trahasch
Max. Teilnehmer 25
Empf. Semester DiW 1. Semester
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Verwendbarkeit des Moduls im Hauptstudiengang DiW
Veranstaltungen

Maschinelles Lernen

Art Vorlesung
Nr. IWW105
SWS 2.0
Lerninhalt

Einführung in Machine Learning, iteratives Vorgehen nach CRISP-DM, Explorative Datenanalyse, Lineare Regression, Klassifikation, Evaluation von Modellen, Deep Learning, Clustering, Assoziationsanalyse. Der Kurs wird im Blended-Learning-Format durchgeführt. Die Inhalte werden als Aufzeichnungen zur Verfügung gestellt und können zeit- und ortsunabhängig bearbeitet werden. Es werden Online-Sprechstunden zur Besprechung der Lehrinhalte angeboten. An den Präsenzterminen finden überwiegend praktische Übungen zur Vertiefung der Lerninhalte statt.
Literatur
  • Witten, I. H. and Hall, M. A., Data mining: Practical machine learning tools and techniques, 3rd ed. Burlington, MA: Morgan Kaufmann, 2011
  • James, G., Witten, D., Hastie, T., & Tibshirani, R. (2014). An introduction to statistical learning: With applications in R. Springer texts in statistics. New York: Springer.
  • Online: https://www-bcf.usc.edu/~gareth/ISL/
  • Chollet F. und Allaire J., Deep Learning mit R und Keras: Das Praxis-Handbuch von den Entwicklern von Keras und RStudio. mitp, 2018

Labor Maschinelles Lernen

Art Labor
Nr. IWW119
SWS 2.0
Lerninhalt

Praktische Übungen zu den Lehrinhalten der Vorlesung. Die Verfahren werden mit Hilfe von KNIME oder ähnlichen Tools umgesetzt.
Literatur
  • Witten, I. H. and Hall, M. A., Data mining: Practical machine learning tools and techniques, 3rd ed. Burlington, MA: Morgan Kaufmann, 2011.
  • James, G., Witten, D., Hastie, T., & Tibshirani, R. (2014). An introduction to statistical learning: With applications in R. Springer texts in statistics. New York: Springer.
  • Online: https://www-bcf.usc.edu/~gareth/ISL/
  • Chollet F. und Allaire J., Deep Learning mit R und Keras: Das Praxis-Handbuch von den Entwicklern von Keras und RStudio. mitp, 2018
←  Zurück