PTI09540 – Machine learning applications

Module
Machine learning applications
Anwendungen des maschinellen Lernens
Module number
PTI09540
Version: 1
Faculty
Physikalische Technik / Informatik
Level
Master
Duration
1 Semester
Semester
Winter semester
Module supervisor

Prof. Dr. Sven Hellbach
Sven.Hellbach(at)fh-zwickau.de
Lecturer(s)

Prof. Dr. Sven Hellbach
Sven.Hellbach(at)fh-zwickau.de
Course language(s)

German
in "Maschinelles Lernen"
ECTS credits

5.00 credits

Workload

150 hours

Courses

3.00 SCH (1.00 SCH Internship | 2.00 SCH Lecture with integrated exercise / seminar-lecture)
Self-study time

105.00 hours
55.00 hours Vor-/Nachbereitung - Maschinelles Lernen
50.00 hours Self-study - Maschinelles Lernen
Pre-examination(s)
None
Examination(s)

alternative Prüfungsleistung - Software project
Module examination | Weighting: 100%
in "Maschinelles Lernen"
Media type
No information
Instruction content/structure

In der Lehrveranstaltung wird in Gruppenarbeit ein Projekt aus dem Bereich maschinelles Lernen betrachtet. Thematisch können dafür Projekte aus den Themenfeldern:

  • Probabilistic Learning
  • Support Vector Machines
  • Evolutionäre Algorithmen
  • Graphical Models
  • Ensemble Learning, KDTrees
  • Matrixfaktorisierung: PCA, ICA, NMF
  • DeepLearning: CNN, LSTM

gewählt werden.

Dabei sollen die Gruppen die verwendeten Methoden aufarbeiten. In der Vorlesung werden dazu die notwendigen Inhalte aufbereitet. Das aufbereitet Wissen soll verwendet werden, um einen prototypischen Demonstrator umzusetzen.
Qualification objectives

Die Studierenden sind mit unterschiedlichen Algorithmen aus dem Bereich Machine Learning vertraut. Sie haben einen Überblick über aktuelle Verfahren des maschinellen Lernens (wie z.B. SVM, Evolutionäre Algorithmen, Graphical Models, Convolutional Neural Networks).

Die Studierenden sind in der Lage Softwarebibliotheken im Bereich des Maschinellen Lernens zu verwenden, um prototypische Implementierungen durchzuführen und können ihr Wissen über ausgewählte Verfahren für die Umsetzung in einer Anwendung übertragen.

Die Studierenden können Evaluierungsmaße gezielt einsetzen, um die Eignung ihrer Implementierung für unbekannte Anwendungsfälle einzuschätzen. Die Studierenden verstehen den Zusammenhang zwischen Datenvorverarbeitung und Datenanalyse und können gezielt geeignete Kombinationen für eine Implementierung auswählen.

Die Studierenden können sich gezielt mit Fachliteratur aus dem Bereich maschinellen Lernens auseinandersetzen und die dargestellten Inhalte auf neue Anwendungsfälle übertragen.
Special admission requirements

keine
Recommended prerequisites

Abhängig von der Themenstellung:

a) Überblick über entsprechende Bibliotheken im Bereich Maschinelles Lernen: Numerische und wissenschaftliche Bibliotheken

b) Grundkenntnisse im Feld Maschinelles Lernen:

  • Supervised Learning: Regressionsanalyse & Klassifikation
  • Unsupervised Learning: Clustering

c) DataMining-Verfahren
Continuation options
No information
Literature
  • http://scikit-learn.org
  • Christopher M. Bishop: Pattern Recognition and Machine Learning. ISBN: 0387310738
  • Yoshua Bengio, Ian Goodfellow, Aaron Courville: Deep Learning. MIT Press
  • http://deeplearning.net
Notes
No information
Assignment to curriculum

079 Informatik - Master 2019 Vollzeit

079 Informatik - Master 2019 Teilzeit

075 Internet of Things and Smart Systems - Master 2022 Vollzeit

290 Studienangebot der Fakultät Physikalische Technik/Informatik (PTI) für Austauschstudierende für das Studienjahr 2023/2024 - Abschluss im Ausland 2023 Vollzeit

075 Internet of Things and Smart Systems - Master 2023 Vollzeit

Close detail view
© Modulux (Version 4.4)