Modulbeschreibung
Machine Learning
Kurzzeichen:
Unterrichtssprache:
ECTS-Credits:
Arbeitsaufwand (h):
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:
Lehrpersonen:
Standort (angeboten):
Vorausgesetzte Module:
Zusätzliche Eingangskompetenzen:
Ebenfalls vorausgesetzt sind die beiden Module Elektrotechnik & Lineare Algebra I und Elektrotechnik & Lineare Algebra II.
Modultyp:
Bemerkungen:
Das Modul findet im Herbstsemester statt.
Das Modul kann nicht von Studierden der Vertiefung Computational Engineering besucht werden.
Modulbewertung:
Leistungsnachweise und deren Gewichtung
Während der Unterrichtsphase:
Während der Unterrichtsphase wird eine Projektarbeit mittels Bericht und einem Fachgespräch bewertet.
Bewertungsart:
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:
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