Modulbeschreibung
Machine Learning
Kürzel:
M_ML
Durchführungszeitraum:
FS/19-FS/21
ECTS-Credits:
2
Arbeitsaufwand:
60
Lernziele:
Die Studierenden
- können Machine Learning Verfahren kategorisieren und diese jeweils entsprechenden Problemstellungen zuweisen.
- können für einen gegebenen Datensatz Merkmale extrahieren, auswählen und vorbearbeiten.
- können ein geeignetes ML-Verfahren auswählen und trainieren.
- können ein erlerntes ML-Verfahren anhand von Test- und Validierungsdatensätzen quantitativ bewerten.
- können ML-Verfahren unter Verwendung von Python und geeigneten Bibliotheken (scikit-learn, pandas, tensorflow) entwickeln.
- können Machine Learning Projekte end-to-end planen, durchführen und dokumentieren (z.B. mit Jupyter Notebooks).
Verantwortliche Person:
Prof. Dr. Würsch Christoph
Telefon/EMail:
+41 58 257 3452
/ christoph.wuersch@ost.chStandort (angeboten):
Buchs, Waldau St.Gallen
Fachbereiche:
Mathematik
Empfohlene Module:
Vorausgesetzte Module:
Zusätzlich vorausgesetzte Kenntnisse:
Ebenfalls vorausgesetzt sind die beiden Module Elektrotechnik & Lineare Algebra I und Elektrotechnik & Lineare Algebra II.
Skriptablage:
Modultyp:
Standard-Modul für Systemtechnik BB STD_05(Empfohlenes Semester: 6)
Standard-Modul für Systemtechnik VZ STD_05(Empfohlenes Semester: 6)
Bemerkungen:
Das Modul findet im Frühlingssemester statt.
ECTS-Credits pro Kategorie
Wahlmodule / 2 Credits
Wahlmodule / 2 Credits
Modulbewertung
Bewertungsart:
Note von 1 - 6
Leistungsbewertung
Während des Semesters:
Während der Unterrichtsphase wird eine Projektarbeit mittels Bericht und einem Fachgespräch bewertet.
Bewertungsart:
Note von 1 - 6
Gewichtung:
Während der Unterrichtsphase wird eine Projektarbeit mittels Bericht (Gewicht 50%) und einem Fachgespräch (Gewicht 50%) bewertet.
Bemerkungen:
Es findet keine abgesetzte Modulschlussprüfung statt.
Teilbewertung:
50%Bericht Projektarbeit Machine Learning (ML-b)
50%Fachgespräch Projektarbeit Machine Learning (ML-f)
Kurse in diesem Modul
Machine Learning
Kürzel:
ML
Arbeitsaufwand:
60
Semester:
1
Lernziele:
Die Studierenden
- können Machine Learning Verfahren kategorisieren und diese jeweils entsprechenden Problemstellungen zuweisen.
- können für einen gegebenen Datensatz Merkmale extrahieren, auswählen und vorbearbeiten.
- können ein geeignetes ML-Verfahren auswählen und trainieren.
- können ein erlerntes ML-Verfahren anhand von Test- und Validierungsdatensätzen quantitativ bewerten.
- können ML-Verfahren unter Verwendung von Python und geeigneten Bibliotheken (scikit-learn, pandas, tensorflow) entwickeln.
- können Machine Learning Projekte end-to-end planen, durchführen und dokumentieren (z.B. mit Jupyter Notebooks).
Plan und Lerninhalt:
Kategorisierung und Beispiele
- supervised, unsupervised und reinforcement learning
Datenvisualisierung und Preprocessing mit Python
Regression
- Lineare Regression, Normalengleichung
- KNN
- Bias-Variance Trade-off
- Test und Validierung: Resampling, Kreuzvalidierung
Klassifikationsverfahren
- Klassifikationsproblem (binary, multiclass)
- KNN revisited
- Decision Trees
- Beurteilung eines Klassifikators (Fehlerrate, Sensitivität, Spezifität etc.)
Ensemble Learning und Random Forests
- Voting, Bagging, Boosting & Stacking
Dimensionsreduktion
- The curse of dimensionality
- Hauptkomponentenanalyse (PCA)
End-to-end Machine Learning Project
Ansprechspersonen:
Prof. Dr. Frick Klaus, Prof. Dr. Würsch Christoph
Fachbereiche:
Mathematik
Unterrichtssprache:
Deutsch
Leistungsnachweis:
Während der Unterrichtsphase wird ein Projekt mittels Bericht und Fachgespräch bewertet.
Lehr- und Lernmethoden:
Unterrichtsgespräch im Klassenverband
Selbststudium (Übungen, Vor- und Nachbereitung der Lerninhalte)
Projektarbeit
Selbststudium (Übungen, Vor- und Nachbereitung der Lerninhalte)
Projektarbeit
Bibliographie:
- Mitschrift der Studenten
- James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning with Applications in R, Springer (2013), ISBN 978-1-4614-7138-7
- Sebastian Raschka: Python Machine Learning - Second Edition: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow (Englisch) Taschenbuch, Packt Publishing; Auflage: 2nd Revised edition (20. September 2017), ISBN-13: 978-1787125933
- Aurélien Géron: Hands-On Machine Learning with Scikit-Learn and TensorFlow, Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media, March 2017
Kursart:
Durchführung gemäss Stundenplan
Klassenunterricht mit 2 Lektionen pro Woche
- Max. Teilnehmer: 25
- Harte Grenze: nein