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 |
Lecturer(s)
Prof. Dr. Mike Espig Prof. Dr. Jens Flemming |
Course language(s)
German - 80.00% English - 20.00% |
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 |
Pre-examination(s)
Software project |
Examination(s)
mündliche Prüfungsleistung |
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:
Clustering:
Nichtlineare Dimensionsreduktion:
|
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
|
Continuation options
PTI01841, PTI01850, PTI01860, PTI01870 |
Literature
|
Notes
No information
|