Data Science & Intelligent Analytics BB
Apply Icon
Jetzt
Bewerben

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 ihrerer 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 Lerhveranstaltung besprochen:

- Klassische neuronale Netze als Ergänzung zu klassischen Algorithmen der Data Science (z.B. Random Forests, SCM, usw.)
- Gefalltete, 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)

Bewertungsmethoden und -kriterien

Projektdokumentation- und Präsentation

Unterrichtssprache

Englisch

Anzahl der zugewiesenen ECTS-Credits

10

eLearning Anteil in Prozent

25

Semesterwochenstunden (SWS)

4

geplante Lehr- und Lernmethoden

Folgende Methoden kommen zum Einsatz:

- Bearbeitung von Übungsaufgaben
- Interaktiver Workshop

Semester/Trimester, in dem die Lehrveranstaltung/das Modul angeboten wird

2

Name des/der Vortragenden

Prof. (FH) Dipl.-Informatiker Karsten Böhm

empfohlene optionale Programmeinheiten

keine

Kennzahl der Lehrveranstaltungen/des Moduls

MLAL.3

Art der Lehrveranstaltung/des Moduls

Integrierte Lehrveranstaltung

Art der Lehrveranstaltung

Pflichtfach

Praktikum/Praktika

kein