 |
| Detailinformationen |
| Quellcurriculum |
Bachelorstudium Informatik 2024W |
| Ziele |
- Die Studierenden sollen die Grundprinzipien des Machine Learning und seiner Anwendungen in verschiedenen Bereichen wie Signalverarbeitung, Bildverarbeitung, Sprachverarbeitung, Prozessmodellierung und den Life Sciences erklären können.
- Die Studierenden sollen zwischen verschiedenen Arten von Machine Learning unterscheiden können (z.B. überwachtes Lernen, unüberwachtes Lernen und Reinforcement Learning)
- Die Studierenden sollen grundlegender Machine Learning-Algorithmen wie Lineare Regression, k-Means, Nearest Neighbor und Principal Component Analysis erklären und anwenden können.
- Die Studierenden sollen Machine Learning-Modelle anhand verschiedener Metriken wie Kreuztabellen und ROC-Kurven bewerten können.
- Die Studierenden sollen fortgeschrittener Methoden, wie Support-Vektor-Maschinen und Random Forests, erklären und einsetzen können.
- Die Studierenden sollen Basis-Wissen über neuronale Netze und Deep Learning erwerben und mit Hilfe von Deep Learning Frameworks einfache neuronale Netze in Python programmieren können.
- Die Studierenden sollen die Vor- und Nachteile verschiedener Machine Learning-Techniken und deren Einsatz und Performanz in realen Szenarien kennen und kritisch reflektieren können.
- Die Studierenden sollen Machine Learning-Modelle unter Verwendung von Programmbibliotheken wie Scikit-learn oder TensorFlow implementieren und anpassen können.
|
| Lehrinhalte |
Als Machine Learning bezeichnet man eine Klasse von Verfahren, die Modelle/Beziehungen aus Daten identifizieren. Machine-Learning-Verfahren sind in verschiedensten Disziplinen unverzichtbar geworden, wie etwa Prozessmodellierung, Signal-, Sprach- und Bildverarbeitung, in den Life Sciences und vielem mehr. Es werden die wesentlichen Konzepte des Machine Learning vorgestellt und ein Überblick über die wichtigsten Verfahren geboten, der mit Beispielen aktueller spannender Anwendungen aus der Praxis ergänzt wird.
- Taxonomie von Machine Learning Methoden: Überwachtes Lernen und unüberwachtes Lernen, Reinforcement Learning, Klassifikation und Regression.
- Beispiele für grundlegende Methoden: Lineare Regression, Principal Component Analysis, k-means, Nearest Neighbor, Decision Trees.
- Evaluierung von Machine Learning Modellen: Kreuztabellen, ROC Kurven
- Support-Vektor-Maschinen und Random Forests mit Beispielen aus den Life Sciences
- Neuronale Netze und Deep Learning mit Beispielen aus der Bildanalyse, Pharmakologie und Sprachverarbeitung
- Clustering- und Biclustering-Verfahren
|
| Beurteilungskriterien |
Schriftliche Klausur
|
| Lehrmethoden |
Folienvortrag ergänzt durch Online-Demos und Beispiele, die an der Tafel vorgeführt werden.
Die Vorlesung wird durch einen MOOC ergänzt, der Videos, kurze Skripten und Übungen enthält.
|
| Abhaltungssprache |
English |
| Literatur |
Lehrveranstaltungsunterlagen werden zum Download zur Verfügung gestellt
|
| Lehrinhalte wechselnd? |
Nein |
| Äquivalenzen |
INBIPVOBIIN: VO Bioinformatics (3 ECTS)
|
|
