Machine Learning (DLBIML)
Modulbezeichnung:
|
Machine Learning
|
Modulnummer:
DLBIML
|
Semester:
--
|
Dauer:
Minimaldauer 1 Semester
|
Modultyp:
Wahlpflicht
|
Regulär angeboten im:
WS, SS
|
Workload:
300 h
|
ECTS Punkte : 10
|
Zugangsvoraussetzungen:
keine
|
Unterrichtssprache:
Deutsch
|
Kurse im Modul:
|
Workload:
Selbststudium: 200 h Selbstüberprüfung: 50 h Tutorien: 50 h
|
Kurskoordinatoren/Tutoren::
Siehe aktuelle Liste der Tutoren im Learning Management System
|
Modulverantwortliche(r):
Dr. Marian Benner-Wickner
|
Bezüge zu anderen Programmen:
- Bachelor Informatik
- Bachelor Digital Business
- Bachelor Medieninformatik
- Bachelor Mediendesign
|
Bezüge zu anderen Modulen im Programm:
|
Qualifikations- und Lernziele des Moduls :
Statistical Computing:
Nach erfolgreichem Abschluss sind die Studierenden in der Lage,
- den Begriff Statistical Computing einzuordnen und abzugrenzen.
- sich eine PC-Arbeitsumgebung zu schaffen, mit der Aufgaben aus dem Themengebiet Statistical Computing bearbeitet werden können.
- einfache Programme mit der Programmiersprache R zu schreiben.
- mit R Daten zu importieren und zu exportieren.
- mit R verschiedene statistische Verfahren anzuwenden, von der deskriptiven Statistik über die Inferenzstatistik bis hin zur Varianz- und Regressionsanalyse.
Deep Learning :
Nach erfolgreichem Abschluss sind die Studierenden in der Lage,
- Konzepte des Deep Learning in den Kontext maschinelles Lernen und künstliche Intelligenz einzuordnen.
- verschiedene Regressionsarten abzugrenzen und insbesondere die Umsetzung der logistischen Regression mit Perzeptronen zu erläutern.
- den Aufbau und die Funktionsweise einfacher neuronaler Netze zu erläutern.
- Konzepte und Zusammenhänge im Zusammenhang mit dem Trainieren von neuronalen Netzen zu erläutern und in Teilen zu implementieren.
- verschiedene Deep Learning-Frameworks abzugrenzen.
- neuronale Netze mithilfe eines Deep Learning-Frameworks zu implementieren, zu trainieren und zu optimieren.
- den Aufbau und die Funktionsweise von Convolutional Neural Networks zu verstehen und sie mithilfe eines Deep Learning-Frameworks trainieren zu können.
|
Lehrinhalt des Moduls:
|
Statistical Computing:
- Einstieg in das Statistical Computing
- Grundlagen der Programmierung mit R
- Auf Daten zugreifen
- Deskriptive Statistik
- Inferenzstatistik
- Varianzanalyse
- Regressionsanalyse
Deep Learning :
- Einführung
- Einführung in Neuronale Netze
- Neuronale Netze trainieren
- Einstieg in Deep Learning-Frameworks
- Klassifikation und Optimierung
- Mehrlagige Neuronale Netze
- Convolutional Neural Networks
|
Lehrmethoden:
|
Siehe Kursbeschreibungen
|
Literatur:
|
Siehe Literaturliste der vorliegenden Kursbeschreibungen
|
Anteil der Modulnote an der Gesamtabschlussnote des Programms :
--
|
Prüfungszulassungsvoraussetzung:
|
Abschlussprüfungen:
|
Siehe Kursbeschreibungen
|
- DLBDBSC01: Schriftliche Ausarbeitung: Fallstudie (50%)
- DLBDBDL01: Klausur 90 Min. (50 %)
|