PTI01831 – Data Science III, Überwachtes und Unüberwachtes Lernen
Modul
Data Science III, Überwachtes und Unüberwachtes Lernen
Data Science III, Supervised and Unsupervised Learning |
Modulnummer
PTI01831
Version: 1 |
Fakultät
Physikalische Technik / Informatik
|
Niveau
Bachelor
|
Dauer
1 Semester
|
Turnus
Wintersemester
|
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 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:
|
Qualifikationsziele
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. |
Besondere Zulassungsvoraussetzung
keine |
Empfohlene Voraussetzungen
|
Fortsetzungsmöglichkeiten
PTI01841, PTI01850, PTI01860, PTI01870 |
Literatur
|
Hinweise
Keine Angabe
|