Grundlagen des Maschinellen Lernens

Modul: Grundlagen des Maschinellen Lernens (6 Credits)
Name im Diploma Supplement	Machine Learning Foundations
Verantwortlich	Prof. Dr. Volker Gruhn
Voraussetzungen	Siehe Prüfungsordnung.
Workload	180 Stunden studentischer Workload gesamt, davon: Präsenzzeit: 60 Stunden Vorbereitung, Nachbereitung: 75 Stunden Prüfungsvorbereitung: 45 Stunden
Dauer	Das Modul erstreckt sich über 1 Semester.
Qualifikationsziele	Die Studierenden besitzen Kenntnis über die Besonderheiten von Anwendungen, die maschinelles Lernen einsetzen verstehen Algorithmen des maschinellen Lernen und beherrschen ihre Implementierung kennen und beherrschen die notwendigen Techniken zum Aufbau der notwendigen Pipeline (Vorverarbeitung, Modell-Training und -Evaluierung) Beherrschen Methoden des überwachten und unüberwachten Lernens Verstehen zentrale Konzepte wie Dimensionsreduktion, Clustering, Klassifikation und Regression
Prüfungsmodalitäten	Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 90-120 Minuten).
Verwendung in Studiengängen	AI-SE Bachelor > Vertiefungsstudium > Wahlpflichtbereich I: Informatik > 5.-6. FS, Wahlpflicht LA Info GyGe Master > Wahlpflichtbereich Informatik > 1.-3. FS, Wahlpflicht SE Bachelor > Pflichtbereich > Pflichtbereich II: Programmierung und Entwicklung > 5.-6. FS, Pflicht WiInf Bachelor > Vertiefungsstudium > Wahlpflichtbereich > Vertiefungsrichtung "Modellierung und Realisierung betrieblicher Informationssysteme" > 5.-6. FS, Wahlpflicht WiInf Bachelor > Vertiefungsstudium > Wahlpflichtbereich: Wirtschaftsinformatik und Informatik > 5.-6. FS, Wahlpflicht
Bestandteile	Vorlesung mit integrierter Übung Grundlagen des Maschinellen Lernens (6 Credits)
Modul: Grundlagen des Maschinellen Lernens (WIWI‑M0908)

Vorlesung mit integrierter Übung: Grundlagen des Maschinellen Lernens (6 Credits)
Name im Diploma Supplement	Machine Learning Foundations
Anbieter	Lehrstuhl für Software-Engineering, insb. mobile Anwendungen
Lehrperson	Prof. Dr. Volker Gruhn
Semesterwochenstunden	4	Sprache	deutsch
Turnus	Wintersemester	maximale Hörerschaft	###LABEL_NOLIMIT###
empfohlenes Vorwissen Grundlagen der Programmierung, Stochastik, Lineare Algebra, Analysis Für dieses Modul werden Kenntnisse der Programmierung vorausgesetzt.
Lehrinhalte Die Vorlesung vermittelt einen allgemeinen Überblick über die wichtigsten Techniken des Maschinellen Lernens (ML). Es werden verschiedene Verfahren und die zugehörigen Algorithmen betrachtet. Der Fokus liegt auf Techniken des überwachten und unüberwachten Lernens. Darüber hinaus wird betrachtet, wie Daten zur Verwendung in ML-Komponenten analysiert und vorverarbeitet werden müssen. Die folgenden Themen werden in der Vorlesung unter anderem behandelt: Lineare Regression und Klassifikation Nichtlineare Verfahren Decision Trees und Support Vector Machines Neuronale Netze und Deep Learning Clustering Dimensionsreduktion
Literaturangaben Geron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly. Albon, Chris; Langenau, Frank. 2019. Machine Learning Kochbuch: Praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning. O’Reilly. Goodfellow, Ian; Yoshua Bengio; Aaron Courville. 2016. Deep Learning. MIT Press. Griffiths, Dawn. 2008. Head First Statistics. O'Reilly Germany.
didaktisches Konzept Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.
Vorlesung mit integrierter Übung: Grundlagen des Maschinellen Lernens (WIWI‑C1163)