PTI01831 – Data Science III, Supervised and Unsupervised Learning

Module
Data Science III, Supervised and Unsupervised Learning
Data Science III, Überwachtes und Unüberwachtes Lernen
Module number
PTI01831
Version: 1
Faculty
Physikalische Technik / Informatik
Level
Bachelor
Duration
1 Semester
Semester
Winter semester
Module supervisor

Prof. Dr. Jens Flemming
Jens.Flemming(at)fh-zwickau.de
Lecturer(s)

Prof. Dr. Mike Espig
mike.espig(at)fh-zwickau.de
Lecturer in: "Data Science III, Überwachtes und Unüberwachtes Lernen "

Prof. Dr. Jens Flemming
Jens.Flemming(at)fh-zwickau.de
Lecturer in: "Data Science III, Überwachtes und Unüberwachtes Lernen "
Course language(s)

German - 80.00%
in "Data Science III, Überwachtes und Unüberwachtes Lernen "

English - 20.00%
in "Data Science III, Überwachtes und Unüberwachtes Lernen "
ECTS credits

10.00 credits

Workload

300 hours

Courses

8.00 SCH (2.00 SCH Internship | 6.00 SCH Lecture with integrated exercise / seminar-lecture)
Self-study time

180.00 hours
180.00 hours Self-study - Data Science III, Überwachtes und Unüberwachtes Lernen

Pre-examination(s)

Software project
in "Data Science III, Überwachtes und Unüberwachtes Lernen "
Examination(s)

mündliche Prüfungsleistung
Module examination | Examination time: 30 min | Weighting: 100%
in "Data Science III, Überwachtes und Unüberwachtes Lernen "
Media type
No information
Instruction content/structure

Im Modul werden konkrete Verfahren des überwachten maschinellen Lernens vorgestellt. Aus dem Bereich des unüberwachten Lernens werden Clustering, generatives Lernen und nichtlineare Techniken zur Dimensionsreduktion behandelt.

Im Gegensatz zum überwachten Lernen (Lernen anhand von Beispielen) zielen Verfahren des unüberwachten Lernens auf das automatische Auffinden und Ausnutzen von Strukturen in großen Datenmengen, die dem menschlichen Auge verborgen sind.

Im Kontext konkreter Anwendungsszenarien wird auch auf ethische und gesellschaftliche Aspekte Algorithmen-gestützten Entscheidens eingegangen.

Die praktische Umsetzung der behandelten Verfahren erfolgt im Wesentlichen mit den Python-Paketen Scikit-Learn, Tensorflow und Keras.

Verfahren des überwachten Lernens:

  • Entscheidungsbäume für Regression und Klassifikation
  • Bagging, insbesondere Random-Forests
  • Boosting
  • k-Nearest-Neighbors-Verfahren
  • logistische Regression
  • Support-Vector-Maschinen (SVMs)
  • Naive-Bayes-Klassifizierer
  • Grundlagen der Textklassifikation

Clustering:

  • Clustering-Arten und Qualitätsmaße
  • k-Means-Clustering
  • agglomeratives Clustering, Dendrogramme
  • DBSCAN und OPTICS
  • Gaussian-Mixture-Models

Nichtlineare Dimensionsreduktion:

  • Autoencoder
  • Kernel-PCA
  • Multidimensional Scaling, insbesondere Isomap
  • Locally Linear Embedding (LLE)
  • Stochastic Neighbor Embedding (SNE)
  • Self-Organizing Maps (SOMs)
Qualification objectives

Die Studierenden verfügen über umfangreiche Methodenkenntnis im Bereich des überwachten maschinellen Lernens. Sie können für konkrete Aufgabenstellungen geeignete Konzepte und Verfahren auswählen, diese praktisch umsetzen sowie deren Möglichkeiten und Grenzen einschätzen.

Auf dem Gebiet des unüberwachten Lernens besitzen die Studierenden einen Überblick über typische Aufgabenstellungen und geeignete Lösungsansätze. Sie verfügen über weitreichende Kenntnisse sowohl klassischer als auch moderner Methoden des unüberwachten Lernens.

Die Studierenden sind in der Lage, ihre Methodenkenntnis durch eigenständiges Literaturstudium zu erweitern und zu vertiefen. Darüber hinaus können Sie ethische Aspekte algorithmischer Entscheidungsfindung erkennen, beurteilen und in den gesellschaftlichen Kontext einordnen.
Special admission requirements

keine
Recommended prerequisites
  • PTI11820 - Data Science II, Datenvisualisierung & Überwachtes Lernen 
  • PTI01710 - Mathematische Grundlagen I
  • PTI01720 - Mathematische Grundlagen II
Continuation options

PTI01841, PTI01850, PTI01860, PTI01870
Literature
  • 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
Notes
No information
Assignment to curriculum

250 Data Science - Bachelor 2022 Vollzeit

250 Data Science - Bachelor 2022 Teilzeit

250 Data Science - Bachelor 2023 Vollzeit

250 Data Science - Bachelor 2023 Teilzeit

250 Data Science - Bachelor 2023 Vollzeit

250 Data Science - Bachelor 2023 Teilzeit

Close detail view
© Modulux (Version 4.4)