Modulbeschreibung

Machine Learning

Kurzzeichen:
M_ML
Unterrichtssprache:
Deutsch
ECTS-Credits:
2
Arbeitsaufwand (h):
60
Leitidee:

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).
Modulverantwortung:
Prof. Dr. Würsch Christoph
Lehrpersonen:
Prof. Dr. Frick Klaus, Prof. Dr. Würsch Christoph
Standort (angeboten):
Buchs, Waldau St.Gallen
Vorausgesetzte Module:
Zusätzliche Eingangskompetenzen:

Ebenfalls vorausgesetzt sind die beiden Module Elektrotechnik & Lineare Algebra I und Elektrotechnik & Lineare Algebra II.

Modultyp:
Wahlpflicht-Modul für Systemtechnik BB STD_05(Empfohlenes Semester: 5)Kategorie:Wahlmodule (WM)
Wahlpflicht-Modul für Systemtechnik VZ STD_05(Empfohlenes Semester: 5)Kategorie:Wahlmodule (WM)
Bemerkungen:

Das Modul findet im Herbstsemester statt.

Das Modul kann nicht von Studierden der Vertiefung Computational Engineering besucht werden.

Modulbewertung:
Note von 1 - 6

Leistungsnachweise und deren Gewichtung

Während der Unterrichtsphase:

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.

Inhalte

Angestrebte Lernergebnisse (Abschlusskompetenzen):

 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).

 

Modul- 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

Lehr- und Lernmethoden:
Unterrichtsgespräch im Klassenverband
Selbststudium (Übungen, Vor- und Nachbereitung der Lerninhalte)
Projektarbeit
Lehrmittel/-materialien:
  • 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