Data Science & Intelligent Analytics* BB
Apply Icon
Jetzt
Bewerben

Machine Learning für Data Science

Niveau der Lehrveranstaltung/des Moduls laut Lehrplan

Masterstudium

Lernergebnisse der Lehrveranstaltung/des Moduls

Die Studierenden kennen Werkzeuge (z.B. Bibliotheken, Cloud Plattformen oder Softwarewerkzeuge), mit deren Hilfe Machine Learning unterstützt werden kann und können diese Werkzeuge hinsichtlich ihrer Eignung für konkrete Problemstellungen vergleichen. Darüber hinaus kennen die Studierenden Möglichkeiten, wie die entwickelten Vorhersagemodelle skalierbar (Big Data) implementiert werden können.

Voraussetzungen laut Lehrplan

Algorithmik & Statistik 1
Softwareentwicklung 1

Lehrinhalte

In der Lehrveranstaltung erwerben die Studierenden angewandte Kenntnisse im Bereich Machine Learning und bauen damit auf die Inhalte der Lehrveranstaltungen Algorithmik & Statistik 1 und Softwareentwicklung 1 auf. In der LV beschäftigen sich die Studierenden mit Implementierungen der theoretisch bereits kennengelernten Algorithmen und dem dazugehörigen konkreten technologischen Support. Die Lehrveranstaltung umfasst im speziellen folgende Themenbereiche:

- Angewandtes Machine Learning, z.B. mit Hilfe von scikit-learn, Theano, Pylearn2, NuPIC (Python), oder rpart, randomForest, party, gbm, kernlab, e1071 (R), oder Rattle, RapidMiner (klickbasierte Software)
- Angewandtes Deep Learning, z.B. mit tensorflow (Python), oder nnet (R), oder Neuroph Studio (klickbasierte Software)
- Bearbeiten von Machine Learning Problemen mit Hilfe von Cloud Infrastrukturen, z.B. Azure Machine Learning Studio (Microsoft), oder Machine Learning Web Services (Amazon)

empfohlene Fachliteratur

- Bishop, C. (2006) Pattern Recognition and Machine Learning. 1. Auflage, Springer-Verlag, New York (ISBN: 978-0-387-31073-2).
- Géron, A. (2017) Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems. 1. Auflage, O´Reilly, Farnham (ISBN: 978-1491962299).
- McKinney, W. (2017) Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2. Auflage, O´Reilly, Farnham (ISBN: 978-1491957660).
- Raschka, S.; Mirjalili, V. (2017) Python Machine Learning - Second Edition: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. 2. Auflage, Packt Publishing, Birmingham (ISBN: 978-1787125933).
- Shalev-Shwartz, S.; Ben-David, S. (2014) Understanding Machine Learning: From Theory to Algorithms. 1. Auflage, Cambridge University Press, Cambridge (ISBN: 978-1107057135).
- Zheng, A.; Casari, A. (2018) Feature Engineering for Machine Learning Models: Principles and Techniques for Data Scientists. 1. Auflage, O´Reilly, Farnham (ISBN: 978-1491953242).

Bewertungsmethoden und -kriterien

Abschlussklausur oder Seminararbeit

Unterrichtssprache

Deutsch

Anzahl der zugewiesenen ECTS-Credits

3

geplante Lehr- und Lernmethoden

Vortrag mit Diskussion
Bearbeitung von Übungsaufgaben
Interaktiver Workshop

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

2

Semester-Wochen-Stunden (SWS)

2

Name des/der Vortragenden

N.A.

Studienjahr

1

empfohlene optionale Programmeinheiten

N.A.

Kennzahl der Lehrveranstaltungen/des Moduls

DPR.3

Art der Lehrveranstaltung/des Moduls

ILV

Art der Lehrveranstaltung

Präsenzveranstaltung

Praktikum/Praktika

N.A.