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

Grundlagen der Linearen Algebra und der Analysis wie sie z.B. in den Modulen https://zpa.cs.hm.edu/public/module/138/ bzw. https://zpa.cs.hm.edu/public/module/16/ vermittelt werden, Grundlegende Programmierkenntnisse.

Lernziele: Die Studierenden lernen verschiedene Modelltypen und passende Lernverfahren in Hinblick auf Interpretierbarkeit aus dem Bereich des maschinellen Lernen kennen und anwenden. Ziel ist das Nachvollziehen und Interpretieren von Modellen in ihrer späteren beruflichen Tätigkeit, um Entscheidungen, die auf Modellen aus dem maschinellen Lernen bestehen, abzusichern und eine höheren Akzeptanz für diese zu erzeugen.

Fach- & Methodenkompetenz: Die Studierenden sind in der Lage grundlegende und komplexere Konzepte hinter White-Box Lernverfahren zu erläutern, einfachere White-Box Lernverfahren selbst zu implementieren, grundlegende und komplexere Black-Box-Modelle in verschiedenen Problemstellungen mit Hilfe moderner Frameworks anzuwenden und mit geeigneten Hilfsmitteln zu interpretieren. Außerdem sind sie in der Lage sich selbständig in weiterführende und komplexere Themengebiete einzuarbeiten.

Überfachliche Kompetenz: Teamarbeit: Die Studierenden bearbeiten Problemstellungen in Kleingruppen

• Grundlagen des maschinellen Lernens
• Interpretierbarkeit und Multikollinearität
• White-Box Modelle:
  • Lineare Regression und Lasso
  • Logistische Regression
  • Decision Trees mit Pruning (CCP)
  • Lokale Lineare Regression
• Black-Box Modelle:
  • Boosting and Bagging
  • Ausgewählte Verfahren (z.B. Random Forest, XGBoost)
  • Deep Learning
• Interpretierbarkeit von Black-Box Modellen:
  • LIME (Local Surrogate)
  • SHAP (Shapley Additive Explanations)
• Anwendungen (z.B. neuronale Netzwerke und semantische Segmentierung)

Beamer und Programmierbeispiele in Python

• Friedman, J., Hastie, T., Tibshirani, R. (2001). The elements of statistical learning. Springer.
• James, G.,Witten, D., Friedman, J., Hastie, T., Tibshirani, R. (2023). An introduction to statistical learning. Springer.
• Molnar, C. (2022). Interpretable Machine Learning
• Samek, W., Montavon, G., Vedaldi, A., Hansen, L., Mueller, K.-R. (2019). Explainable AI: Interpreting, Explaining and Visualizing Deep Learning
• Bishop, C. (2006). Pattern Recognition and Machine Learning