Hands On Machine Learning

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

Kenntnisse in Linearer Algebra, Analysis, Wahrscheinlichkeitsrechnung und grundlegende Programmierkenntnisse (Python)

Lernziele, Fach- und Methodenkompetenz:

Die Studierenden

• können ein Data-Science Projekt vollumfänglich bearbeiten. Dazu zählen:
  • mit Stakeholdern abstimmen,
  • Daten beschaffen, aufbereiten und visualisieren (mit Verweis auf das dezidierte Modul "Datenaufbereitung und Visualisierung"),
  • inhaltliche Fragestellung formalisieren,
  • geeignete Modell-Pipeline aufsetzten (inkl. Datentransformation, Hyperparameter-Tuning, Gütemaße und Benchmarking),
  • Ergebnisse aufbereiten, visualisieren, interpretieren und präsentieren.
  • Modell für Produktion vorbereiten (Einführung in ML-Ops)
  • sind in der Lage ein geeignetes Software-Tool (z.B. Python oder R) zu benutzen und fremden Code zu analysieren und bewerten (Nachvollziehbarkeit und Reproduzierbarkeit).
• können mit verschiedenen Daten-Situationen umgehen.
• können Auto-ML-Methoden anwenden
• können Code nach Best Practices schreiben inklusive Versionierung
• können Risiken und Grenzen von Machine Learning Methoden beschreiben und abschätzen

Überfachliche Kompetenzen

• Teamarbeit: Die Studierenden bearbeiten Problemstellungen in Kleingruppen.
• Kritisches Denken: Die Studierenden sind in der Lage Resultate nachvollziehbar und überprüfbar aufzubereiten und darzustellen.
• Kommunikation: Die Studierenden sind in der Lage Resultate nachvollziehbar und überprüfbar aufzubereiten und darzustellen

• Typische ML-Pipelines als Baukastenprinzip:
  • Transformation von Daten (inklusive Encoding und Embedding)
  • Modellwahl
  • Hyperparameter-Tuning: nested cross-validation, grid search, random search; feature selection
  • Gütemaße für Regression und Klassifikation unter anderem für Modellvergleich bzw. Modellsensitivität; Benchmarking
  • Modellinterpretation: feature importance, Interpretation der Parameter; grafische Aufbereitung der Ergebnisse
• Einführung in ML-Ops, z.B. Data Cards und Model Cards, Versionierung von Code und Modellen, Notebooks vs. Scripts
• Bearbeitung von Case Studies mit verschiedenen Datensituationen, gegebenenfalls mit Auto-ML-Methoden. Beispiele hierfür sind (je mindestens ein supervised und ein unsupervised Fall):
  • multivariate Daten (n>p),
  • hochdimensionale Daten (n~p, n<p),
  • Daten mit zeitlicher Komponente (z.B. Signal-Daten, Zeitreihen),
  • Natural-Language-Processing-Daten (NLP),
  • Tracking-Daten
  • Bild-, Audio- und Videodaten

Tafel / Whiteboard, Beamer, Programmiersprachen (z.B. Python oder R), Repositories mit Versionsverwaltung (z.B. git)

Literaturliste wird zu Beginn der Vorlesung bekannt gegeben.

Beispiel-Literatur:

• James, Witten, Hastie, Tibshirani, Taylor (2023), An Introduction to Statistical Learning: With Applications in Python, Springer.
• Geron (2019): Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media