Data Science & Intelligent Analytics BB
Apply Icon
Jetzt
Bewerben

Machine Learning für Data Science Lab

Niveau der Lehrveranstaltung/des Moduls laut Lehrplan

Masterstudium

Lernergebnisse der Lehrveranstaltung/des Moduls

Die Studierenden können Werkzeuge für Machine Learning hinsichtlich ihres möglichen Einsatzes in konkreten Problemfeldern vergleichen und bewerten und diese selbständig anwenden. Die Studierenden kennen überdies Möglichkeiten zur skalierbaren Implementierung der entwickelten Modelle und können diese selbst anwenden.

Voraussetzungen laut Lehrplan

Keine Voraussetzungen

Lehrinhalte

Im Lab werden die Inhalte der ILV "Machine Learning für Data Science" mit Hilfe von praktische Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die und eine Festigung der Materie, die in der ILV theoretisch behandelt wurde.

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

Hausarbeiten
Abschlussklausur oder Seminararbeit

Unterrichtssprache

Deutsch

Anzahl der zugewiesenen ECTS-Credits

6

geplante Lehr- und Lernmethoden

Vortrag mit Diskussion
Gruppenarbeiten
Bearbeitung von Übungsaufgaben

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

2

Semester-Wochen-Stunden (SWS)

3

Name des/der Vortragenden

N.A.

Studienjahr

1

empfohlene optionale Programmeinheiten

N.A.

Kennzahl der Lehrveranstaltungen/des Moduls

DPR.4

Art der Lehrveranstaltung/des Moduls

UE

Art der Lehrveranstaltung

Präsenzveranstaltung

Praktikum/Praktika

N.A.