Modulbeschreibung
Machine Learning
ECTS-Credits:
2
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).
Kurse in diesem Modul
Machine Learning:
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
Klassenunterricht mit 2 Lektionen pro Woche
Disclaimer
Diese Beschreibung ist rechtlich nicht verbindlich! Weitere Informationen finden Sie in der detaillierten Modulbeschreibung.