Machine Learning (DLBIML)

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:

• Statistical Computing (DLBDBSC01)
• Deep Learning (DLBDBDL01)

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 %)