Hauptinhalt
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 (Einzelprüfung) 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. Dominik Heider, Prof. Dr. Matthias Schott |
Inhalt
Methoden des maschinellen Lernens 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, Datenvorverarbeitung, statistisches Lernen, Fallbasiertes Lernen, Entscheidungsbäume, Support Vector Machines, Classifier Ensembles, Empirische Evaluierung von Lernverfahren
Qualifikationsziele
Die Studierenden sind in der Lage,
- grundlegende Fragestellungen und Ziele des maschinellen Lernens zu verstehen,
- mit speziellen Problemklassen, wie dem überwachten Lernen (Klassifikation und Regression), umzugehen,
- wichtige Methoden des maschinellen Lernens und deren skalierbare Implementierungen zu nutzen,
- Konzepte zur Evaluierung von Lernverfahren anzuwenden,
- praktische Problemstellungen mit Verfahren des maschinellen Lernens eigenständig zu lösen,
- nach wissenschaftlichen Arbeitsweisen vorzugehen (Erkennen, Formulieren, Lösen von Problemen, Abstraktion)
- über wissenschaftliche Inhalte frei zu sprechen, sowohl vor einem Publikum als auch in einer Diskussion.
Voraussetzungen
Keine. Empfohlen werden die Kompetenzen, die im Modul 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
- M.Sc. Data Science
- M.Sc. Informatik
- M.Sc. Mathematik
- M.Sc. Wirtschaftsinformatik
- M.Sc. Wirtschaftsmathematik
- LAaG Informatik
Im Studiengang M.Sc. Mathematik kann das Modul im Studienbereich Profilbereich Informatik 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 2023/24 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:
- WiSe 2016/17
- SoSe 2018
- WiSe 2018/19
- WiSe 2019/20
- WiSe 2020/21
- SoSe 2021
- WiSe 2021/22
- WiSe 2022/23
- WiSe 2023/24
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.