Home Reader Ansicht Download PDF

Modul 215 Machine Learning

Modul-Nr./ Code

215 / ML

Studiengang

Angewandte Informatik (B.Sc.)
Angewandte Informatik – dual (B.Sc.)

Geförderte Kompetenzen

  • Fachkompetenz

  • Methodenkompetenz

Angestrebte Lernergebnisse des Moduls

Nach erfolgreichem Absolvieren dieses Moduls sind die Studierenden in der Lage,

  • Daten in eine Machine Learning-Umgebung einzulesen und aufzubereiten,

  • kritisch die Qualität der aufbereiteten Daten zu beurteilen,

  • geeignete Algorithmen fĂĽr entsprechende Szenarien auszuwählen und

  • das Ergebnis einer kritischen PrĂĽfung zu unterziehen.

Inhalte des Moduls

  • Grundlegende Kenntnisse in einer geeigneten ML-Software-Umgebung

  • Ein- und Auslesen von Datensätzen in unterschiedlichen Formaten

  • Bereinigung, Aggregation und Aufbereitung inhomogener Datensätze. Beseitigung offensichtlicher Fehler und Formulierung einfacher Tests zur Absicherung der Richtigkeit der Arbeitsschritte

  • Aufteilung des bereinigten Datensatzes in Abhängigkeit von dem vorhandenen Datentyp in Training-, Test- und Validation-Gruppen

  • Dokumentation der grundlegenden Arbeitsschritte

  • Aufstellung von Hypothesen und Definition von abhängigen und unabhängigen Variablen

  • Erarbeitung einer geeigneten Hypothese und Wahl der Algorithmen

  • Beurteilung der Datensatzparameter auf ihren Beitrag zur aufgestellten Hypothese

  • Wahl geeigneter Verfahren zur numerischen Aufbereitung der Hypothese

  • Beurteilung der Hypothese anhand von Test- und Validation-Gruppen

  • Je nach Ergebnis erneute Wahl einer Hypothese, um bessere Ergebnisse zu erzielen

Studiensemester

3 - 5

Dauer des Moduls

ein Semester

SWS

Vorlesung (2 SWS) und Ăśbungen (2 SWS)

Häufigkeit des Modulangebots

Jährlich im Wintersemester

Zahl der zugeteilten ECTS-Credits

6

Gesamtworkload

150 Stunden

Kontaktzeit

60 Stunden

Selbststudium

90 Stunden

Art des Moduls (Pflicht, Wahl, etc.)

Wahlpflichtmodul

Verwendbarkeit des Moduls

Teilnahmevoraussetzungen

Dringend empfohlen fĂĽr eine erfolgreiche Teilnahme werden:

  • Grundlegende Kenntnisse in der Anwendung einer Programmiersprache

  • Mathematische Grundkenntnisse

Modulverantwortliche Person

Prof. Dr. Gloger

Dozentin / Dozent

  • Tobias Kortus

  • Raju Ningappa Mulawade

  • Alexander Schilling

Unterrichtssprache

Deutsch

Art der PrĂĽfung / Voraussetzung fĂĽr die Vergabe von Leistungspunkten

Projektarbeit lt. §14 Abs. 2 u. 5 RPO

PrĂĽfungsdauer

Kurzvortrag: 15 Minuten

PrĂĽfung benotet / unbenotet

benotet

Notengewicht in der Gesamtnote

Entsprechend der ECTS-Punkte

Lehr- und Lernmethoden

Vorlesung mit Ăśbungen, die die Projektarbeit zum Thema haben

Besonderes (z.B. Online-Anteil, Praxisbesuche, Gastvorträge, etc.)

Inhalte werden über zentrale „Jupyter Notebooks“ und das Lernmanagementsystem „Moodle“ bereit gestellt

PflichtlektĂĽre

  • Informationen auf Moodle und in den bereitgestellten Jupyter Notebooks

zusätzlich empfohlene Literatur

BĂĽcher:

  • An Introduction to Statistical Learning, Hastie, Tibshi-rani, Friedman, Springer New York, 2013

  • Mining of Massive Datasets, Leskovec, Rajaraman, Ullman, Palo Alto, CA, Standford University, 2014

  • Python Machine Learning, Sebastian Raschka, Packt Publishing Ltd., Birmingham, 2016

Online Kurse:

  • Machine Learning, Andrew Ng, Stanford University (Coursera)

  • Intro to Machine Learning, Katie Malone / Sebastian Thurn (Udacity)

Videos:

  • Machine Learning, Prof. Nando de Freitas, Oxford (YouTube)

Dokumentationen:

  • sk-learn User Guide