Modulbeschreibung
Machine Learning
Kürzel:
M_ML
Durchführungszeitraum:
HS/23-HS/24
ECTS-Punkte:
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: 5)
Standard-Modul für Systemtechnik VZ STD_05(Empfohlenes Semester: 5)
Bemerkungen:
Das Modul findet im Herbstsemester statt. Man kann es in Buchs vor Ort besuchen oder online (es findet hybrid statt).
Das Modul kann nicht von Studierenden der Vertiefung Computational Engineering besucht werden.
ECTS-Punkte pro Kategorie
Wahlmodule / 2 Punkte
Wahlmodule / 2 Punkte
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