Module guide

Angewandte Künstliche Intelligenz (AKI)

Machine Learning 2

Empfohlene Vorkenntnisse

Machine Learning 1
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen weiterführende Methoden des Machine Learning und haben ein vertieftes Verständnis für die Methoden aus Machine Learning 1. Die Studierenden können unüberwachte Lernverfahren
zielführend anwenden. Sie können Verfahren miteinander sinnvoll kombinieren und das Ensemble mit einzelnen Verfahren vergleichen und bewerten. Die Studierenden kennen Optimierungsverfahren und können diese für Machine Learning Problemstellung anwenden. Sie kennen Ansätze zur Interpretierbarkeit von Machine Learning Modellen und sind in der Lage Modelle hinsichtlich ihrer Erklärbarkeit zu analysieren. Sie kennen die unterschiedlichen Ebenen der Verzerrung und können beurteilen, ob Modelle bzw. Daten fair sind. 
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Machine Learning 2" (K90) "Praktikum Machine Learning 2" muss "m.E." attestiert sein.
Modulverantwortlicher

Prof. Dr. Stephan Trahasch
Max. Teilnehmer 41
Empf. Semester 3
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI
Veranstaltungen

Machine Learning 2

Art Vorlesung
Nr. EMI914
SWS 2.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

  • Clustering
  • Neuronale Netze
  • Ensemble Learning
  • Fluch der hohen Dimension
  • Hyperparameteroptimierung
  • Interpretierbarkeit und Erklärbarkeit von Modellen
  • Fairness
  • Genetische Algorithmen
  • Zeitreihen
  • Fallstudien
Literatur
  • Aggarwal, Charu C. (2015): Data Mining. The Textbook. Cham: Springer International Publishing (SpringerLink: Bücher).
  • Hastie, Trevor; Tibshirani, Robert; Friedman, J. H. (2017): The elements of statistical learning. Data mining, inference, and prediction. 12th ed. New York: Springer (Springer series in statistics).
  • Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2017): Deep learning. Cambridge, Mass.: The MIT Press (Adaptive computation and machine learning, 2017: 1).

Praktikum Machine Learning 2

Art Praktikum
Nr. EMI915
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Clustering
  • Neuronale Netze
  • Genetische Algorithmen
  • ZeitreihenHyperparameteroptimierung
  • Erklärbarkeit von Modellen
  • Anwenden von Python-Bibliotheken und weiteren Frameworks und Tools zu Machine Learning
Literatur

Géron, Aurélien (2019): Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. Concepts, tools, and techniques to build intelligent systems. Second edition. Sebastopol, CA: O'Reilly Media, Inc.