Hauptinhalt

Dieser Eintrag ist aus dem Wintersemester 2016/17 und möglicherweise veraltet. Ein aktuelles Äquivalent finden Sie hier.

CS 542 — Maschinelles Lernen
(engl. Machine Learning)

Niveaustufe, Verpflichtungsgrad Aufbaumodul, Wahlpflichtmodul
Lehr- und Lernformen,
Arbeitsaufwand
Vorlesung (4 SWS), Übung (2 SWS),
270 Stunden (90 Std. Präsenzzeit, 180 Std. Selbststudium)
Leistungspunkte,
Voraussetzungen zum Erwerb
9 LP
Studienleistung(en): Erreichen von mindestens 50 Prozent der Punkte aus den wöchentlich zu bearbeitenden Übungsaufgaben und mündliche Präsentation der Lösung von mindestens zwei der Übungsaufgaben.
Prüfungsleistung: Mündliche Prüfung oder Klausur
Sprache,
Benotung
Deutsch,
Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang B.Sc. Data Science.
Dauer des Moduls,
Häufigkeit
Ein Semester,
Alle 3-4 Semester
Modulverantwortliche(r) Prof. Dr. Bernhard Seeger, Prof. Dr. Alfred Ultsch

Inhalt

Methoden des maschinellen Lernens sowie angrenzender Gebiete wie Wissensentdeckung in Datenbanken (Knowledge Discovery) und Data Mining sind zentraler Gegenstand der aktuellen Forschung im Bereich intelligenter Systeme und werden bereits in einer Vielzahl praktischer Anwendungen eingesetzt.

Inhalt: Einführung und grundlegende Konzepte, Begriffslernen und Versionenräume, Datenvorverarbeitung, Fallbasiertes Lernen, Entscheidungsbäume, Regellernen, Bayessche Inferenz, Support Vector Machines, Erweiterungen und Meta-Techniken, Empirische Evaluierung von Lernverfahren


Qualifikationsziele

Die Studierenden sollen

  • grundlegende Fragestellungen und Ziele des maschinellen Lernens verstehen,
  • mit speziellen Problemklassen, wie dem überwachten Lernen (Klassifikation und Regression), vertraut werden,
  • sich wichtige Methoden des maschinellen Lernens und deren skalierbaren Implementierungen erarbeiten,
  • mit Konzepten zur Evaluierung von Lernverfahren vertraut werden,
  • in die Lage versetzt werden, praktische Problemstellungen mit Verfahren des maschinellen Lernens eigenständig zu lösen,
  • wissenschaftliche Arbeitsweisen (Erkennen, Formulieren, Lösen von Problemen, Schulung des Abstraktionsvermögens) einüben und in den Übungen die mündliche Kommunikationsfähigkeit durch Einüben der freien Rede vor einem Publikum und bei der Diskussion trainieren.

Voraussetzungen

Keine. Empfohlen werden die Kompetenzen, die in dem Modul Datenstrukturen und Algorithmen sowie Grundlagen der Statistik vermittelt werden.


Verwendbarkeit

Importmodul aus dem B.Sc. Data Science.

Es kann im FB12 verwendet werden im Studiengang bzw. in den Studiengängen

  • B.Sc. Data Science
  • B.Sc. Informatik
  • B.Sc. Wirtschaftsinformatik
  • M.Sc. Data Science
  • M.Sc. Informatik
  • M.Sc. Mathematik
  • M.Sc. Wirtschaftsinformatik
  • LAaG Informatik

Im Studiengang M.Sc. Data Science kann das Modul im Studienbereich Informatik Vertiefungsmodule absolviert werden.


Literatur

  • D.J. Hand, H. Mannila, P. Smyth. Principles of Data Mining. MIT Press. 2000.
  • T. Hastie, R. Tibshirani, J. H. Friedman. The Elements of Statistical Learning. Springer-Verlag, 2001.
  • T. Mitchell. Machine Learning. McGraw Hill, 1997.
  • I.H. Witten, E. Frank. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann, 2000.
  • C.M. Bishop. Pattern Recognition and Machine Learning. Springer-Verlag, 2008.



Bitte beachten Sie:

Diese Seite beschreibt ein Modul gemäß dem im Wintersemester 2016/17 aktuellsten gültigen Modulhandbuch. Die meisten für ein Modul gültigen Regeln werden nicht durch die Prüfungsordnung festgelegt, und können daher von Semester zu Semester aktualisiert werden. Folgende Versionen liegen im Online-Modulhandbuch vor:

Das Modulhandbuch enthält alle Module, unabhängig vom aktuellen Veranstaltungsangebot, vergleichen Sie dazu bitte das aktuelle Vorlesungsverzeichnis in Marvin.

Die Angaben im Online-Modulhandbuch wurden automatisch erstellt. Rechtsverbindlich sind die Angaben der Prüfungsordnung. Wenn Ihnen Unstimmigkeiten oder Fehler auffallen, sind wir für Hinweise dankbar.