EventoWeb
Zürcher Hochschule für Angewandte Wissenschaften
Menu Home User Menu
Nicht angemeldet Anmelden
[ Deutsch (Schweiz) ]   [ Englisch Englisch ]
[ de ]   [ en en ]
Nicht angemeldet Anmelden
t.BA.IT.MLDM.19HS (Maschinelles Lernen und Data Mining) 
Modul: Maschinelles Lernen und Data Mining
Diese Information wurde generiert am: 19.01.2025
Nr.
t.BA.IT.MLDM.19HS
Bezeichnung
Maschinelles Lernen und Data Mining
Veranstalter
T CAI
Credits
4

Beschreibung

Version: 5.0 gültig ab 01.02.2021

Diese Modulbeschreibung gilt bis zum 31. Juli 2024. Die gültige Modulbeschreibung ist im Intranet unter https://intra.zhaw.ch/departemente/school-of-engineering/bachelorstudium/module im Modulhandbuch abrufbar.

 

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

Weiler Andreas (wele)

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
  • 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 schriftlich

2
Praktika

 max. 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.

Hinweis

Kurs: Maschinelles Lernen und Data Mining - Praktikum
Nr.
t.BA.IT.MLDM.19HS.P
Bezeichnung
Maschinelles Lernen und Data Mining - Praktikum

Hinweis

  • Für das Stichdatum 01.08.2099 ist kein Modulbeschreibungstext im System verfügbar.
Kurs: Maschinelles Lernen und Data Mining - Vorlesung
Nr.
t.BA.IT.MLDM.19HS.V
Bezeichnung
Maschinelles Lernen und Data Mining - Vorlesung

Hinweis

  • Für das Stichdatum 01.08.2099 ist kein Modulbeschreibungstext im System verfügbar.