Modulbeschreibung
Machine Learning und Data Mining
Kurzzeichen:
M_VP_15719
ECTS-Credits:
18
Leitidee:
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.
Modulverantwortung:
Frick Klaus
Standort (angeboten):
Buchs
Vorausgesetzte Module:
Zusätzliche Eingangskompetenzen:
Grundlagen der Mathematik und Informatik vom Bachelor-Studium Systemtechnik.
Modultyp:
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering BB STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_08 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_13 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für MSE Master of Science in Engineering VZ STD_16 (BU)(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Wahlpflicht-Modul für Technik und IT MSE_20(Keine Semesterempfehlung)Kategorie:Fachliche Vertiefung (MSE-FachV)
Modulbewertung:
Note von 1 - 6
Leistungsnachweise und deren Gewichtung
Während der Unterrichtsphase:
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:
Inhalte
Angestrebte Lernergebnisse (Abschlusskompetenzen):
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.
Modul- und Lerninhalt:
- multivariate Statistik
- supervised und unsupervised learning
- fortgeschrittene Programmierung mit R