t.BA.XWV.MLDM2.20HS (Maschinelles Lernen und Data Mining 2) 
Modul: Maschinelles Lernen und Data Mining 2
Diese Information wurde generiert am: 16.06.2024
Nr.
t.BA.XWV.MLDM2.20HS
Bezeichnung
Maschinelles Lernen und Data Mining 2
Veranstalter
T CAI
Credits
4

Beschreibung

Version: 1.0 gültig ab 01.02.2023
 

Kurzbeschrieb

(max. 300 Zeichen. Text wird im Internet in Modulbox angezeigt)

Wir konzentrieren uns auf die Theorie und praktische Anwendung von Deep Learning (DL). Wir beginnen mit den Grundlagen des DL und tauchen in die Details der am häufigsten verwendeten modernen Deep-Learning-Modelle ein, ihre Fähigkeiten und Einschränkungen sowie ihre Anwendung in realen Anwendungsfällen aus verschiedenen Bereichen.

Modulverantwortung

Bogojeska Jasmina (bogo)

Lernziele (Kompetenzen)

Ziel Kompetenzen Taxonomiestufen
(1) Sie können die Hauptkonzepte von (tiefen) neuronalen Netzen erklären: lineare/nichtlineare Module, Tiefe, Breite, gradientenbasierte Lernmethoden, Backpropagation, Regularisierung, Optimierung, Hyperparameter F K2
... und können die Vorteile und Einschränkungen bestimmter tiefer neuronaler Netzwerkarchitekturen, Algorithmen und Methoden, die im Kurs behandelt werden, beschreiben F, M K2, K4
…und können ihre Anwendung erklären und ihre Herausforderungen diskutieren F, M K3, K4
…und Beispielaufgaben nennen, bei denen sie anwendbar sind. F, M K3
(2) Sie können die besprochenen Deep-Learning-Methoden selbst in einem DL-Framework entwerfen, implementieren, trainieren, optimieren und ordnungsgemäß evaluieren F, M K3
…und sie auf realen Aufgaben und Datensätzen anwenden. F, M K5

Modulinhalte

Fortgeschrittene maschinellen Lernlösungen auf Basis von Deep Learning (DL) haben in vielen verschiedenen Bereichen beeindruckende Leistungen auf herausfordernden, praxisrelevanten Problemen gezeigt und sind auch in zunehmend vielen Bereichen unseres Lebens präsent, wie z.B. Bildanalyse (Gesichtserkennung, Qualitätskontrolle), Sprachtechnologien (virtuelle Assistenten, Emotionserkennung), Zeitreihenanalyse (Investitionsmodellierung, Sensordatenfusion), personalisierte Gesundheitsversorgung (Diagnose, Arzneimittelentwicklung), personalisierte Werbung oder autonome Fahrzeuge. Tiefe neuronale Netze haben sich somit zu einem kritischen Bestandteil der Informatik im Allgemeinen entwickelt und sind ein wichtiger Bestandteil vieler Jobprofile in der Informatik und Datenwissenschaft.

In diesem Modul bieten wir eine umfassende Einführung in das Deep Learning an, indem wir zunächst die Grundlagen (Hauptkonzepte, grundlegende Bausteine neuronaler Netze, Backpropagation, Gradientenabstieg, Optimierung) behandeln, die den Weg für den tiefen Einstieg in die Details moderner tiefer neuronaler Architekturen bereiten, wie z.B. verschiedene Varianten von Convolutional Neural Networks, Recurrent Neural Networks, Graph Neural Networks und Transformers. Wir werden diese Modelle und Algorithmen untersuchen, ihre Vorteile, Einschränkungen und Herausforderungen analysieren und diskutieren.

Themenliste:

  • Einführung in DL (z.B. aktuelle Anwendungen und Erfolge, grundlegende Prinzipien, tiefe Feedforward-Netze, gradientenbasiertes Lernen, Backpropagation, Optimierung, Regularisierung)
  • Convolutional Neural Networks (z.B. VGG, ResNet)
  • Sequenzmodellierung (z.B. RNN, LSTM, Attention und Transformer)
  • Graphen-Neuronale Netze (z.B. GCN)
  • Generative Modelle
  • Ausgewählte Themen (z.B. Deep RL, erklärbare KI, Meta-Lernen)

Begleitende Praktika

Um die angemessene Anwendung der Deep-Learning-Methoden in der Praxis zu verstehen, werden wir realitätsnahe Anwendungen aus verschiedenen Bereichen (z.B. Computer Vision, Natural Language Processing, Gesundheitsversorgung) diskutieren und eine große Anzahl von praktischen Beispielen auf realen Datensätzen mithilfe von state-of-the-art Tools und Frameworks bereitstellen. In einer Projektarbeit können die Teilnehmenden das Gelernte anwenden. 
 

Lehrmittel/Materialien

  • Vorlesungsfolien
  • Material zu den Praktika

Ergänzende Literatur

  • Simon J.D. Prince: "Understanding Deep Learning", MIT Press, 2023 https://udlbook.github.io/udlbook/  
  • I. Goodfellow, Y. Bengio, and A. Courville: “Deep Learning”, MIT press, 2016, https://www.deeplearningbook.org/
  • S. Raschka, Y. Liu, V. Mirjalili: “Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python”, Packt Publishing, 2022.  https://sebastianraschka.com/blog/2022/ml-pytorch-book.html
  • Wissenschaftliche Literatur

Zulassungs-voraussetzungen 

  • Allgemeine Einfühurng in machinelles Lernen und neuronale Netze, wie erfolgreiches Aschließen von MLDM1
  • Python

Unterrichtssprache

() Deutsch (X) Englisch

Teil des Internationalen Profils

( ) Ja (X) Nein

Modulausprägung

Typ 3a
  Details siehe unter: T_RL_Richtlinie_Modulauspraegungen_Stundengutschriften

Leistungsnachweise

Bezeichnung Art Form Umfang Bewertung Gewichtung
Leistungsnachweise während Studiensemester Bewertete Projektarbeiten Schriftlich   20 Punkte 20%
Semesterendprüfung Klausur Schriftlich 90 Minuten max. 80 Punkte 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.
Kurs: Maschinelles Lernen und Data Mining 2 - Praktikum
Nr.
t.BA.XWV.MLDM2.20HS.P
Bezeichnung
Maschinelles Lernen und Data Mining 2 - Praktikum

Hinweis

  • Für das Stichdatum 02.08.2099 ist kein Modulbeschreibungstext im System verfügbar.
Kurs: Maschinelles Lernen und Data Mining 2 - Vorlesung
Nr.
t.BA.XWV.MLDM2.20HS.V
Bezeichnung
Maschinelles Lernen und Data Mining 2 - Vorlesung

Hinweis

  • Für das Stichdatum 02.08.2099 ist kein Modulbeschreibungstext im System verfügbar.