Machine Learning & Deep Learning (E)

Niveau der Lehrveranstaltung/des Moduls laut Lehrplan

Masterstudium

Lernergebnisse der Lehrveranstaltung/des Moduls

Folgende Kompetenzen werden in der Lehrveranstaltung erarbeitet:

- Die Studierenden kennen Werkzeuge (z.B. Bibliotheken, Cloud Plattformen oder Softwarewerkzeuge), mit deren Hilfe Machine Learning unterstützt werden kann.
- Die Studierenden können die erarbeiteten Werkzeuge hinsichtlich ihrer Eignung für konkrete Problemstellungen vergleichen.
- Die Studierenden können Ende-zu-Ende Machine Learning Projekte konzipieren.
- Die Studierenden können Ende-zu-Ende Machine Learning Projekte selbstständig durchführen

Voraussetzungen laut Lehrplan

1. Semester: Die Studierenden verfügen über Vorwissen im Bereich Mathematik/Statistik im Umfang von 8 ECTS und kennen daher einfache statistische Maßzahlen, sowie grundlegende statistische Testverfahren (z.B. t-Test). / 2. Semester: Keine Voraussetzungen / 2. Semester: Modulprüfung MLAL.A1 (Algorithmik 1)

Lehrinhalte

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Klassische neuronale Netze als Ergänzung zu klassischen Algorithmen der Data Science (z.B. Random Forests, SCM, usw.)
- Gefaltete, künstliche neuronale Netze (CNN)
- Rekursive, künstliche neuronale Netze (RNN, LSTM)
- Weiterführende, künstliche neuronale Netze (GAN, FARM, BERT, CGAN usw.)

Die besprochenen Netztypen unterliegen einem ständigen Wandel. Darum werden hier nur einige Netztypen exemplarisch genannt. In der LV werden insbesondere aber auch aktuelle Netztypen besprochen und angewendet.

empfohlene Fachliteratur

PRIMÄRLITERATUR:
- Géron, A. (2017): Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems (Ed. 1), O´Reilly, Farnham (ISBN: 978-1491962299)