Modulbeschreibung
Machine Learning und Data Mining
Kürzel:
M_VP_15719
Durchführungszeitraum:
HS/15
ECTS-Punkte:
18
Lernziele:
Die Studierenden
- kennen die Grundprinzipien der beschreibenden Statistik.
- verstehen die grundlegende Aspekte der Wahrscheinlichkeitstheorie als Werkzeug zur statistischen Modellierung realer Vorgänge.
- können Punkt- und Intervallschätzer berechnen und interpretieren.
- können grundlegende statistische Hypothesen formulieren und testen.
- verstehen die Grundlagen der Regressions- und Varianzanalyse.
- können Lösungsstrategien für reale statistische Probleme zu konkreten Datensätzen entwickeln und mithilfe von R umsetzen.
- kennen die Grundbegriffe der multivariaten Statistik und deren Anwendungsfelder für Machine Learning & Data Mining.
- erarbeiten sich im Detail 2 Data Mining/Machine Learning Methoden nach Wahl.
- können die erlernten Methoden selbstständig in R implementieren, auf echte Datensätze anwenden und die Ergebnisse bewerten.
Verantwortliche Person:
Frick Klaus
Standort (angeboten):
Buchs
Vorausgesetzte Module:
Zusätzlich vorausgesetzte Kenntnisse:
Grundlagen der Mathematik und Informatik vom Bachelor-Studium Systemtechnik.
Modultyp:
Standard-Modul für MSE Master of Science in Engineering BB STD_08 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering BB STD_16 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering BB STD_13 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_08 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_16 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_13 (BU)(Keine Semesterempfehlung)
Standard-Modul für Technik und IT MSE_20(Keine Semesterempfehlung)
ECTS-Punkte pro Kategorie
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Fachliche Vertiefung / 18 Punkte
Modulbewertung
Bewertungsart:
Note von 1 - 6
Leistungsbewertung
Während des Semesters:
Im Kurs Machine Learning und Data Mining wird ein Projekt mittels Bericht und Fachgespräch bewertet. Im Kurs Wahrscheinlichkeitstheorie und Statistik (Theorie und Anwendungen mit R) wird ein Bericht und ein Fachgespräch bewertet.
Bewertungsart:
Note von 1 - 6
Gewichtung:
Im Kurs Machine Learning und Data Mining wird ein Projekt mittels Bericht und Fachgespräch (Gewicht 77.78%) bewertet. Im Kurs Wahrscheinlichkeitstheorie und Statistik (Theorie und Anwendungen mit R) wird ein Bericht und ein Fachgespräch (Gewicht 22.22%) bewertet.
Bemerkungen:
Kurse in diesem Modul
Machine Learning und Data-Mining
Kürzel:
VP_1571901
Arbeitsaufwand:
420
Semester:
1
Lernziele:
Die Studierenden
- kennen die Grundbegriffe der multivariaten Statistik und deren Anwendungsfelder für Machine Learning & Data Mining.
- erarbeiten sich im Detail 2 Data Mining/Machine Learning Methoden nach Wahl.
- können die erlernten Methoden selbstständig in R implementieren, auf echte Datensätze anwenden und die Ergebnisse bewerten.
Plan und Lerninhalt:
- multivariate Statistik
- supervised und unsupervised learning
- fortgeschrittene Programmierung mit R
Kursart:
Durchführung gemäss Stundenplan
Projekt mit Lektionen pro Woche
- Max. Teilnehmer: 99
- Harte Grenze: nein
Wahrscheinlichkeitstheorie und Statistik (Theorie und Anwendungen mit R)
Kürzel:
VP_1571902
Arbeitsaufwand:
120
Semester:
1
Lernziele:
Die Studierenden
- kennen die Grundprinzipien der beschreibenden Statistik.
- verstehen die grundlegende Aspekte der Wahrscheinlichkeitstheorie als Werkzeug zur statistischen Modellierung realer Vorgänge.
- können Punkt- und Intervallschätzer berechnen und interpretieren.
- können grundlegende statistische Hypothesen formulieren und testen.
- verstehen die Grundlagen der Regressions- und Varianzanalyse.
- können Lösungsstrategien für reale statistische Probleme zu konkreten Datensätzen entwickeln und mithilfe von R umsetzen.
Plan und Lerninhalt:
- Beschreibende Statistik
- Einführung in die Wahrscheinlichkeitstheorie
- Grundlagen des Schätzens und Testens
- Grundlagen der Regression und der ANOVA
- Einführung in die Programmiersprache R
Kursart:
Durchführung gemäss Stundenplan
Selbststudium mit Lektionen pro Woche
- Max. Teilnehmer: 99
- Harte Grenze: nein