30 Präsenzstunden Vorlesung, 30 Präsenzstunden Praktikum, 45 Stunden Vor-/Nachbereitung des Praktikums, 45 Stunden Nachbereitung der Vorlesung und Prüfungsvorbereitung

Kenntnisse in linearer Algebra und Analysis, Grundlegende Programmierkenntnisse.

Lernziele:

Die Studierenden lernen verschiedene Modelltypen und passende Lernverfahren aus dem Bereich des maschinellen Lernen kennen und anwenden, um sie in ihrer späteren beruflichen Tätigkeit bei der Analyse von Daten verschiedenster Modalitäten hinsichtlich Erkenntnisgewinn und Vorhersage sinnvoll einsetzen zu können.

Fach- & Methodenkompetenz:

Die Studierenden sind in der Lage

• grundlegende und komplexere Konzepte hinter maschinellen Lernverfahren zu erläutern,
• einfachere maschinelle Lernverfahren selbst zu implementieren,
• grundlegende und komplexere Machine-Learning-Modelle in verschiedenen Problemstellungen mit Hilfe moderner Frameworks anzuwenden und zu evaluieren
• sich anhand dieser Grundlagen selbständig in weiterführende und komplexere Themengebiete wie Deep Learning einzuarbeiten

Überfachliche Kompetenz:

• Teamarbeit: Die Studierenden bearbeiten Problemstellungen in Kleingruppen

• Wiederholung der mathematischen Grundlagen des maschinellen Lernens (Lineare Algebra und Multivariate Analysis)
• Überblick Grundbegriffe des maschinellen Lernens
• Lineare Regression und erweiterte Lineare Regression mit Basiswechsel, nichtlinearen Basisfunktionen und Norm-Penalties
• Logistische Regression mit Maximum Likelihood Parameterschätzung
• K-Nearest Neighbors
• Entscheidungsbäume
• Unsupervised Methoden: PCA und Clustering
• Support Vector Machines für Klassifikation und Regression
• Einführung in die Neuronalen Netze mit Perceptron und Adaline
• Ausblick Multilayer Perzeptron Netze und Deep Learning

Beamer, Tafel, Jupyter Notebooks.

Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Raschka, S. (2017). Machine Learning mit Python. mitp Verlag.

Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical. Springer.