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. 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.
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