PTI01870 – Moderne Methoden im Data Science und Anwendungen II

Modul
Moderne Methoden im Data Science und Anwendungen II
Modern Methods in Data Science and Applications II
Modulnummer
PTI01870
Version: 2
Fakultät
Physikalische Technik / Informatik
Niveau
Bachelor
Dauer
1 Semester
Turnus
Wintersemester
Modulverantwortliche/-r

Prof. Dr. Mike Espig
mike.espig(at)fh-zwickau.de

Dozent/-in(nen)

Prof. Dr. Mike Espig
mike.espig(at)fh-zwickau.de

Lehrsprache(n)

Deutsch - 80.00%
in "Moderne Methoden im Data Science und Anwendungen II"

Englisch - 20.00%
in "Moderne Methoden im Data Science und Anwendungen II"

ECTS-Credits

8.00 Credits

Workload

240 Stunden

Lehrveranstaltungen

6.00 SWS (3.00 SWS Seminar | 3.00 SWS Vorlesung mit integr. Übung / seminaristische Vorlesung)

Selbststudienzeit

150.00 Stunden
150.00 Stunden Selbststudium - Moderne Methoden im Data Science und Anwendungen II

Prüfungsvorleistung(en)
Keine
Prüfungsleistung(en)

alternative Prüfungsleistung - Belegarbeit und Präsentation
Modulprüfung | Wichtung: 100%
in "Moderne Methoden im Data Science und Anwendungen II"

Medienform
Keine Angabe
Lehrinhalte/Gliederung

Natural Language Processing (NLP) versucht, natürliche Sprache zu erfassen und mithilfe von Regeln und Algorithmen computerbasiert zu verarbeiten. NLP verwendet hierfür verschiedene Methoden und Ergebnisse aus den Sprachwissenschaften und kombiniert sie mit moderner Informatik und künstlicher Intelligenz. Ziel ist es, eine möglichst weitreichende Kommunikation zwischen Mensch und Computer per Sprache und Text zu schaffen. Dadurch sollen sich sowohl Maschinen als auch Anwendungen per Sprache steuern und bedienen lassen.

Im Kern dieser Vorlesung stehen moderne Methoden aus des NLP deren Anwendung in Keras/Tensorflow. Folgende Themen werden hierbei besprochen:

  • Recurrent Neural Network (RNN)
  • Long Short Term Memory (LSTM)
  • Gated Recurrent Units (GRU)
  • Regressions- & Klassifikationsprobleme
  • Methoden der Textanalyse
  • Chat Bots
  • KI-Konzepte bei der Zeitreihenanalyse
  • Problemstudie an aktuellen Wettbewerben, z.B. Kaggle.com oder Data Mining Cup
Qualifikationsziele

 Die Studierenden besitzen tiefgreifende Kenntnisse im Lösen von Aufgabenstellungen beim Natural Language Processing (NLP). Sie sind in der Lage, die richtige Auswahl elementarer Methoden und Konzepte zu treffen, die zur Anwendung auf und Lösung von Übungs- und Praxissaufgaben notwendig sind, wie z.B. Recurrent Neural Network (RNN, LSTM, GRU) bei der Textanalyse. Außerdem besitzen die Studierenden grundsätzliche Kenntnisse der KI-Methoden bei Zeitreihenanalysen. Ferner sind sie fähig, unter Verwendung von Hilfsmitteln wie vorlesungsbegleitender Literatur problemslösungsorientiert zu arbeiten.

Sozial- und Selbstkompetenzen
Keine Angabe
Besondere Zulassungsvoraussetzung

keine

Empfohlene Voraussetzungen
  • Data Science II, Datenvisualisierung & Überwachtes Lernen I mit SciKit-Learn/Keras/Tensorflow PTI182
  • Data Science III, Überwachtes Lernen II & Unüberwachtes Lernen mit SciKit-Learn/Keras/Tensorflow
  • Data Science IV, Bestärkendes Lernen mit SciKit-Learn/Keras/Tensorflow
  • PTI171 - Mathematische Grundlagen I
  • PTI172 - Mathematische Grundlagen II
Fortsetzungsmöglichkeiten
Keine Angabe
Literatur
  • Vorlesungsskript
  • Géron: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly Media
  • Chollet: Deep Learning with Python, Manning
  • Mohri, Rostamizadeh, Talwalkar: Foundations of Machine Learning, MIT Press
  • Shalev-Shwartz, Ben-David: Understanding Machine Learning From Theory to Algorithms,  Cambridge University Press
  • Bishop: Pattern Recognition and Machine Learning, Springer 
  • Vapnik: Statistical Learning Theory, Springer
  • Vapnik: The Nature of Statistical Learning Theory, Springer
  • Györfi, Kohler, Krzyzak, Walk: A Distribution-Free Theory of Nonparametric Regression, Springer
  • Cucker, Zhou: Learning Theory An Approximation Theory Viewpoint, Cambridge Monographs
  • Barber: Bayesian Reasoning and Machine Learning, Cambridge University Press
  • Murphy: Machine Learning A Probabilistic Perspective, MIT Press
Hinweise
Keine Angabe