PTI01821 – Data Science II, Datenvisualisierung und Überwachtes Lernen
Modul
Data Science II, Datenvisualisierung und Überwachtes Lernen
Data Science II, Data Visualisation and Supervised Learning |
Modulnummer
PTI01821
Version: 1 |
Fakultät
Physikalische Technik / Informatik
|
Niveau
Bachelor
|
Dauer
1 Semester
|
Turnus
Sommersemester
|
Modulverantwortliche/-r
Prof. Dr. Jens Flemming |
Dozent/-in(nen)
Prof. Dr. Mike Espig Prof. Dr. Jens Flemming |
Lehrsprache(n)
Deutsch - 80.00% Englisch - 20.00% |
ECTS-Credits
10.00 Credits |
Workload
300 Stunden |
Lehrveranstaltungen
8.00 SWS (2.00 SWS Praktikum | 6.00 SWS Vorlesung mit integr. Übung / seminaristische Vorlesung) |
Selbststudienzeit
180.00 Stunden |
Prüfungsvorleistung(en)
Softwareprojekt |
Prüfungsleistung(en)
mündliche Prüfungsleistung |
Medienform
Keine Angabe
|
Lehrinhalte/Gliederung
Im Modul werden verschiedene Methoden der Datenvisualisierung eingeführt sowie die Grundlagen des überwachten maschinellen Lernens behandelt. Ziel des überwachten Lernens ist die Entwicklung von Algorithmen, die anhand umfangereicher Beispieldatensätze automatisch Zuordnungen zwischen Ein- und Ausgabegrößen erlernen. Eingabegrößen können beispielsweise Bilder sein, Ausgabegrößen textuelle Beschreibungen der Bildinhalte. Zwei prominente Verfahrensklassen des überwachten maschinellen Lernens, lineare Regression und künstliche neuronale Netze, werden detailliert vorgestellt und an praxisnahen Aufgabenstellungen erprobt und untersucht. Datenvisualisierung:
Grundlagen des überwachten Lernens:
Lineare Regression:
Künstliche neuronale Netze:
|
Qualifikationsziele
Die Studierenden besitzen fundierte Kenntnisse zur Software-Bibliothek Matplotlib und zu verwandten Bibliotheken zur Datenvisualisierung und können diese praktisch anwenden. Die Studierenden beherrschen die theoretischen Grundlagen des überwachten maschinellen Lernens sowohl für Regressions- als auch für Klassifikationsprobleme. Sie können lineare Regressionen praktisch durchführen und deren Anwendungsgebiete und Grenzen einschätzen. Auf künstlichen neuronalen Netzen basierende Techniken des überwachten Lernens sind den Studierenden theoretisch wie praktisch vertraut. Sie können vorwärts gerichtete geschichtete und insbesondere faltende neuronale Netze auf Lernprobleme anwenden, deren Möglichkeiten und Grenzen bewerten, sowie diese effizient mit den Bibliotheken Tensorflow und Keras implementieren. Die Studierenden sind in der Lage, ihr Wissen durch eigenständige Arbeit mit Fachliteratur zu erweitern und sie besitzen ein geschärftes Bewusstsein für rechtliche Aspekte beim Sammeln und Verarbeiten von Daten. |
Besondere Zulassungsvoraussetzung
keine |
Empfohlene Voraussetzungen
|
Fortsetzungsmöglichkeiten
PTI01831, PTI01841, PTI01850, PTI01860, PTI01870 |
Literatur
|
Hinweise
Die Modulprüfung kann in deutscher und englischer Sprache abgelegt werden. |