PTI01830 – Data Science III, Supervised and Unsupervised Learning

Module
Data Science III, Supervised and Unsupervised Learning
Data Science III, Überwachtes und Unüberwachtes Lernen
Module number
PTI01830
Version: 3
Faculty
Physikalische Technik / Informatik
Level
Bachelor
Duration
1 Semester
Semester
Winter semester
Module supervisor

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

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

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

schriftliche Prüfungsleistung
Module examination | Examination time: 120 min | Weighting: 100%
in "Data Science III, Überwachtes und Unüberwachtes Lernen "
Media type
No information
Instruction content/structure

Im Kern dieser Vorlesung steht das Überwachte Lernen als eine der drei wichtigen Säulen des Maschinellen Lernens. Insbesondere werden Klassifikationsprobleme untersucht und die praktische Lösung an den Programmbibliotheken SciKit-Learn, PyTorch sowie Keras als Tensorflow-API einstudiert. Das Problem des Overfitting wird untersucht und gängige Lösungsstrategien zur Wahl von verbesserten Parametern sowie fortgeschrittene Techniken wie Bagging und Boosting werden übertragen. Folgende Themen werden hierbei besprochen:

  • Logistische Regression 
  • parameterabhängige Hypothesen 
  • Support Vector Machine (SVM)
  • Neuronale Netze
  • Loss-Funktion für Klassifikationsprobleme/Optimierung
  • Regularisierung & Dropout werden übertragen
  • K-Nearest-Neighbor für Klassifikationsprobleme
  • Decision Tree 
  • Random Forest
  • Overfitting/Training-Test-Validation-Splitting für Klassifikationsprobleme übertragen
  • Cross-Validation für Klassifikationsprobleme übertragen
  • Bagging für Klassifikationsprobleme übertragen
  • Boosting für Klassifikationsprobleme übertragen

Das Unüberwachte Lernen bildet eine weitere Säule des Maschinellen Lernens. Folgende Themen werden einstudiert:

  • Segmentierung (Clustering)
  • K-Means
  • Principal Component Analysis (PCA)
  •  Generative Adversarial Networks (GANs)

Darüberhinaus werden ethische Aspekte algorithmischen Entscheidens diskutiert.
Qualification objectives

Überwachtes Lernen (Klassifikationsprobleme)

Die Studierenden besitzen tiefgreifende Kenntnisse im Lösen von Klassifikationsproblemen beim Überwachten Lernen. Sie kennen das Problem des Overfitting und beherrschen gängige Lösungsstrategien zur Wahl von verbesserten Parametern bei Klassifikationsproblemen. 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. Neuronale Netze, K-Nearest-Neighbor, Decision Tree, Cross-Validation, Bagging sowie Boosting. Außerdem sind sie fähig, unter Verwendung von Hilfsmitteln wie vorlesungsbegleitender Literatur problemslösungsorientiert zu arbeiten.

Unüberwachtes Lernen

Die Studierenden besitzen tiefgreifende Kenntnisse im Lösen von Problemen beim Unüberwachten Lernen. 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. Segmentierung (Clustering), K-Means, Principal Component Analysis und Generative Adversarial Networks. Außerdem sind sie fähig, unter Verwendung von Hilfsmitteln wie vorlesungsbegleitender Literatur problemslösungsorientiert zu arbeiten.

Die Studierenden verfügen über ein geschärftes Urteilsvermögen zu ethischen Aspekten algorithmisch getroffener Entscheidungen.
Special admission requirements

keine
Recommended prerequisites
  • PTI182 - Data Science II, Datenvisualisierung & Überwachtes Lernen 
  • PTI171 - Mathematische Grundlagen I
  • PTI172 - Mathematische Grundlagen II
Continuation options

PIT184, PIT185, PIT186, PIT187
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

Die Modulprüfung kann in deutscher und englischer Sprache abgelegt werden.
Assignment to curriculum

250 Data Science - Bachelor 2019 Vollzeit

250 Data Science - Bachelor 2019 Teilzeit

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

Close detail view
© Modulux (Version 4.4)