Kurzbeschrieb
|
Maschinelles Lernen und Data Mining sind existenzielle Bausteine erfolgreicher Datenprodukte und Datenanalyseprojekte.
In diesem Modul lernen Sie Voraussetzungen für dessen Einsatz und verschiedene wichtige Methoden des maschinellen Lernens kennen. Es werden theoretische Grundlagen, aber auch praktische Umsetzungen der Methoden gelehrt.
|
Modulverantwortung
|
Mark Cieliebak (ciel)
|
Lernziele (Kompetenzen)
|
Ziel
|
Kompetenzen
|
Taxonomiestufen
|
| Sie verstehen die Grundlagen und Besonderheiten von Datenanalyseprojekten; insbesondere im Gegensatz zu Softwareentwicklungsprojekten. |
F, M |
K1, K2
|
| Sie kennen Methoden zur explorativen Datenanalyse, insbesondere im Bereich Datenvisualisierung und Feature Engineering, und wenden diese erfolgreich in der Praxis an. |
F, M |
K1, K2, K3
|
Sie kennen Methoden zur Wissensgewinnung des maschinellen Lernens auf strukturierten (Business-) Daten.
Sie kennen den Unterschied zwischen maschinellem Lernen auf strukturierten und unstrukturierten (etwa Bilder, Ton) Daten, und wenden entsprechende Methoden für Aufgaben in maschineller Wahrnehmung an. |
F, M
|
K1, K2, K3
|
| Sie kennen die Perspektiven und Möglichkeiten der aktuellen Forschung und Entwicklung in den genannten Bereichen. |
F |
K1
|
|
Modulinhalte
|
Die Digitalisierung von Prozessen und Umgebungen stellt Informatiker vor neue Herausforderungen. Die Softwareentwicklung steht hierbei nicht mehr im Vordergrund, sondern die fachgerechte Verarbeitung und Analyse von verschiedenen Datenarten und Mengen. Hierzu ist es unerlässlich, einen gewissen Grunderfahrungsschatz im Bereich der Datenanalyse und ihrer wichtigsten Methoden aus dem Bereich des maschinellen Lernens zu besitzen.
Dieses Modul bietet eine praktische Einführung in elementares Data Mining mittels Methoden des maschinellen Lernens. Der Fokus liegt hierbei auf einem Überblick und sauberer Methodik; Beweise und Details der Verfahren werden späteren Kursen überlassen. Das Gelernte wird von Teilnehmenden selbständig anhand praktischer Arbeiten vertieft.
Begleitende Praktika
Die Vorlesung wird begleitet durch praktische Übungen an realen Datensätzen mittels Python und verwandten Tools und Bibliotheken.
|
Lehrmittel/Materialien
|
- Skript
- Vorlesungsfolien
- Material zu den Praktika
|
Ergänzende Literatur
|
- Ian H. Witten, Eibe Frank, “Data Mining – Practical Machine Learning Tools and Techniques”, 4th Edition, Elsevier, 2016.
|
Zulassungs-voraussetzungen
|
- Programmierung 1&2: Sichere Beherrschung einer höheren prozeduralen oder objekt-orientierten Programmiersprache
- Lineare Algebra: Vektor- und Matrixrechnung, inverse Matrix, Eigenwertzerlegung
- Statistik und Stochastik: Grundlagen der Wahrscheinlichkeitsrechnung, Verteilungen, Korrelation
- Algorithmen und Datenstrukturen: Algorithmisches Denken
|
Unterrichtssprache
|
(X) Deutsch ( ) Englisch |
Teil des Internationalen Profils
|
( ) Ja (X) Nein |
Modulausprägung
|
Typ 3a |
| |
Details siehe unter: T_CL_Modulauspraegungen_SM2025 |
Leistungsnachweise
|
Von der Regelung der "Leistungsnachweise während der Unterrichtszeit" kann dann abgewichen werden, wenn der Dozierende dies in einer Modulvereinbarung während der ersten Woche des Studiensemesters schriftlich bekannt gibt.
| Bezeichnung |
Art |
Form |
Umfang |
Bewertung |
Gewichtung |
| Leistungsnachweise während Studiensemester |
Bewertete Praktika und/oder Quizzes |
schriftlich |
|
|
20% |
| Semesterendprüfung |
Klausur |
schriftlich |
90 Minuten |
|
80% |
|
Bemerkungen
|
|
Rechtsgrundlage
|
Die Modulbeschreibung ist neben Rahmenprüfungsordnung und Studienordnung Teil der Rechtsgrundlage. Sie ist verbindlich. Eine in der ersten Unterrichtswoche des Semesters schriftlich festgehaltene und kommunizierte Modulvereinbarung kann die Modulbeschreibung präzisieren. Die Modulvereinbarung ersetzt nicht die Modulbeschreibung. |