ISE-01



ISE-01

Machine Learning

Semester

Siehe Studienverlaufsplan

Art des Moduls

Pflicht

Modulverantwortung

Prof. Dr. Axel Lamprecht

Modulsprache

Deutsch / Englisch

Veranstaltungsturnus

Mind. 1 x jährlich

Dauer der Veranstaltung

1 Semester

Arbeitsaufwand

150 Std.

Präsenz: 32 Std. | Selbststudium: 56 Std. | Transfer: 62 Std.

ECTS-Punkte

5 CP

Prüfungsleistung

Klausur (60 min.)

Lehr- und Lernmethoden

Seminar (Präsenzlehre), ergänzend Selbststudium und Transfer, ggf. E-Learning, Pre- und Post-Reading.

Modulinhalte

  • ML - Algorithmen

    • Satz von Bayes, Bayes-Klassifikatioren, Verteilungen und Unabhängigkeit

    • Lineare Modelle und Lazy Learning (Vektorräume, k-Nearest-Neighbor)

    • Entscheidungsbäume (Klassifikations- u. Regressionsbäume, Random Forest, XGBoost,)

    • Ein- und mehrschichtige Feedforwar-Netze (Einlagiges und Multilayser Perception, Gradientenverfahren)

    • Deep Neural Networks (Deep Learning, CNN, GAN´s, RNN´s, NLP, Einsatz von Frameworks)

    • Feature-Reduktion und -Auswahl (Aufbereitung von Daten, Featureauswahl, Hauptkomponentenanalyse (PCA))

    • Support Vector Machines SVM

    • Clustering-Verfahren (K-Means, Fuzzy, Hierachische Clusteranalyse.

    • Bestärkendes Lernen (Markow, Q-Learning, SARSA)

    • Overfitting und Pruning

  • ML - Anwendungen

    • Data Preparation mit pandas

    • Anomalieerkennung in Zeitreihendaten

    • Objekterkennung mit CNN

    • Chatbot mit NLP

    • Beispiel Reinforcement Learning

    • Image Classifier

    • Face Recognizer

    • Warenkorbanalyse

    • Sales Forecasting

  • Deep Learning

  • ML-Cloud-Services ( MS Azure, IBM, Google, AWS)

Teilnahmevoraussetzungen

Das Modul setzt folgende Module voraus:

  • FND-09 Statistik advanced

  • ISE-06 Datenmanagement und Big Data

  • DTA-04 Data Science und künstliche Intelligenz

  • DTA-03 Data Science Applications

Qualifikationsziele

Wissensverbreiterung

  • Kenntnisse über die wesentlichen Entwicklungstrends im Bereich Machine Learning

  • Kenntnisse über Nutzwertkriterien von Machine Learning-Anwendungen.

  • Erweiterung der Kompetenzen zur methodischen Durchführung von Machine Learning-Projekten.

Wissensvertiefung

  • Fähigkeit, eigenständig Machine Learning-Methoden mit entsprechenden Tools anwendungsorientiert planen und durchführen zu können.

  • Fähigkeit, die passenden Methoden kennenlernen und auswählen zu können.

  • Steigerung der Fähigkeiten in Bezug auf unternehmerisches Denken und Handeln, um den unternehmerischen Nutzen in Form von Kosteneinsparungen und/oder Umsatzsteigerungen von Machine Learning zu beurteilen.

Wissensverständnis

  • Fähigkeit, erworbenes Wissen durch die obligatorischen Transferprojekte bzw. Transferarbeiten des Studiums auf passende Unternehmensbereiche anwenden zu können.

  • Kompetenz, um Machine Learning-Projekte in Teams mit heterogenem Vorwissen interdisziplinär lösen zu können.

Verwendbarkeit des Moduls

für andere Module und Studiengänge

Verwendbar im Masterstudiengang IT-Systems Engineering

Empfohlene Literatur

Zum Selbststudium empfiehlt sich den Studierenden folgende Literatur:

  • Maschinelles Lernen (De Gruyter Studium) von Ethem Alpaydin 2019

  • Machine Learning kompakt: Ein Einstieg für Studierende der Naturwissenschaften (essentials) von Kenny Choo, Eliska Greplova, et al. 2021

  • Frochte, Jörg: Maschinelles Lernen, Hanser Verlag, 2 Auflage, 2019

  • Ganesan, Kavita: Extracting Keywords mit TF-IDF and Pythons´s Scikit-Learn, http://kavita-ganesan.com/extracting-keywords-fromtext-tfidf/#.XRXBI5WP5aQ, 2018

  • VanderPlas, Jake: Python Data Science Handbook, 1. Auflage, 2016

Weitere Informationen

Keine