MENUMENU
MENUMENU

Machine Learning (DLBIML)

Modulbezeichnung: Machine Learning

Modulnummer:

DLBIML

Semester:

--

Dauer:

Minimaldauer 1 Semester

Modultyp:

Wahlpflicht

Regulär angeboten im:

WS, SS

Workload: 300 h

ECTS Punkte: 10

Zugangsvoraussetzungen:

keine

Unterrichtssprache:

Deutsch

Kurse im Modul:

Workload:

Selbststudium: 200 h
Selbstüberprüfung: 50 h
Tutorien: 50 h

Kurskoordinatoren/Tutoren::

Siehe aktuelle Liste der Tutoren im Learning Management System

Modulverantwortliche(r):

Dr. Marian Benner-Wickner

Bezüge zu anderen Programmen:

  • Bachelor Informatik
  • Bachelor Digital Business
  • Bachelor Medieninformatik
  • Bachelor Mediendesign

Bezüge zu anderen Modulen im Programm:

Qualifikations- und Lernziele des Moduls:

Statistical Computing:
Nach erfolgreichem Abschluss sind die Studierenden in der Lage,

  • den Begriff Statistical Computing einzuordnen und abzugrenzen.
  • sich eine PC-Arbeitsumgebung zu schaffen, mit der Aufgaben aus dem Themengebiet Statistical Computing bearbeitet werden können.
  • einfache Programme mit der Programmiersprache R zu schreiben.
  • mit R Daten zu importieren und zu exportieren.
  • mit R verschiedene statistische Verfahren anzuwenden, von der deskriptiven Statistik über die Inferenzstatistik bis hin zur Varianz- und Regressionsanalyse.

Deep Learning :
Nach erfolgreichem Abschluss sind die Studierenden in der Lage,

  • Konzepte des Deep Learning in den Kontext maschinelles Lernen und künstliche Intelligenz einzuordnen.
  • verschiedene Regressionsarten abzugrenzen und insbesondere die Umsetzung der logistischen Regression mit Perzeptronen zu erläutern.
  • den Aufbau und die Funktionsweise einfacher neuronaler Netze zu erläutern.
  • Konzepte und Zusammenhänge im Zusammenhang mit dem Trainieren von neuronalen Netzen zu erläutern und in Teilen zu implementieren.
  • verschiedene Deep Learning-Frameworks abzugrenzen.
  • neuronale Netze mithilfe eines Deep Learning-Frameworks zu implementieren, zu trainieren und zu optimieren.
  • den Aufbau und die Funktionsweise von Convolutional Neural Networks zu verstehen und sie mithilfe eines Deep Learning-Frameworks trainieren zu können.

Lehrinhalt des Moduls:

Statistical Computing:

  • Einstieg in das Statistical Computing
  • Grundlagen der Programmierung mit R
  • Auf Daten zugreifen
  • Deskriptive Statistik
  • Inferenzstatistik
  • Varianzanalyse
  • Regressionsanalyse

Deep Learning :

  • Einführung
  • Einführung in Neuronale Netze
  • Neuronale Netze trainieren
  • Einstieg in Deep Learning-Frameworks
  • Klassifikation und Optimierung
  • Mehrlagige Neuronale Netze
  • Convolutional Neural Networks

Lehrmethoden:

Siehe Kursbeschreibungen

Literatur:

Siehe Literaturliste der vorliegenden Kursbeschreibungen

Anteil der Modulnote an der Gesamtabschlussnote des Programms:

--

Prüfungszulassungsvoraussetzung:

Abschlussprüfungen:

Siehe Kursbeschreibungen

  • DLBDBSC01: Schriftliche Ausarbeitung: Fallstudie (50%)
  • DLBDBDL01: Klausur 90 Min. (50 %)