 |
| Detailinformationen |
| Quellcurriculum |
Bachelorstudium Informatik 2025W |
| Lernergebnisse |
Kompetenzen |
| Die Studierenden sind in der Lage, selbstständig Machine Learning-Methoden für reale Problemstellungen auszuwählen und anzupassen. Sie können die Vor- und Nachteile dieser Methoden bewerten und deren Performanz in unterschiedlichen Anwendungsbereichen kritisch reflektieren. Sie sind in der Lage, fundierte Entscheidungen über den Einsatz von Methoden zu treffen. Ferner sind sie befähigt, eigenständig Machine Learning-Methoden unter Verwendung von gängigen Programmbibliotheken zu implementieren, anzupassen und in praktische Anwendungen zu integrieren sowie Modelle zu optimieren und die Performance durch geeignete Metriken zu analysieren.
|
|
| Fertigkeiten |
Kenntnisse |
Studierende
- verstehen die grundlegenden Konzepte und Prinzipien des maschinellen Lernens, wie die Unterschiede zwischen überwachtem (supervised), unüberwachtem (unsupervised) Lernen, und Reinforcement Learning, sowie typische Anwendungsbereiche (k2).
- besitzen fundierte Kenntnisse grundlegender maschineller Lernalgorithmen wie lineare Regression, k-Means, k-nearest-neighbour und Principal Component Analysis (PCA), einschließlich ihrer mathematischen Grundlagen und Anwendungsbereiche (k4).
- sind mit verschiedenen Metriken zur Bewertung von maschinellen Lernmodellen vertraut, wie Confusion Matrix, Precision, Recall, F1-Score und ROC-Kurven, und verstehen deren Bedeutung für die Modellqualität (k3).
- verfügen über Kenntnisse fortgeschrittener maschineller Lerntechniken wie Support Vector Machines (SVM) und Random Forests, einschließlich ihrer theoretischen Grundlagen und Anwendungsbeispiele (k4).
- haben ein grundlegendes Verständnis von neuronalen Netzwerken und Deep Learning, einschließlich der Funktionsweise einfacher neuronaler Netzwerke und der Verwendung von Deep-Learning-Frameworks wie TensorFlow oder Keras (k2).
- sind mit gängigen Bibliotheken für maschinelles Lernen wie Scikit-Learn und TensorFlow vertraut und verstehen deren Aufbau und Funktionalität zur Implementierung von maschinellen Lernmodellen (k3).
- verfügen über Kenntnisse zu den Vor- und Nachteilen verschiedener Techniken des maschinellen Lernens und deren Einsatz in realen Szenarien, einschließlich Performance Analyse und Anwendungsszenarien (k5).
|
- Grundprinzipien des Machine Learning: Die Studierenden kennen die grundlegenden Konzepte und Prinzipien von Machine Learning Methoden, wie etwa den Unterschied zwischen überwachten, unüberwachtem Lernen und Reinforcement Learning sowie die typischen Einsatzgebiete.
- Machine Learning-Methoden: Die Studierenden verfügen über grundlegendes Wissen zu grundlegenden Machine Learning-Methoden wie Lineare Regression, k-Means, Nearest Neighbor und Principal Component Analysis (PCA), einschließlich ihrer mathematischen Grundlagen und Anwendungsbereiche.
- Metriken zur Bewertung von Machine Learning-Modellen: Die Studierenden kennen verschiedene Metriken zur Bewertung von Machine Learning-Modellen, wie Confusion Matrizen, Precision, Recall, F1-Score und ROC-Kurven, und verstehen deren Bedeutung für die Modellqualität.
- Fortgeschrittene Machine Learning-Methoden: Die Studierenden besitzen Kenntnisse über fortgeschrittene Machine Learning-Techniken wie Support-Vektor-Maschinen (SVM) und Random Forests, einschließlich deren theoretischen Grundlagen und Anwendungsbeispiele.
- Grundlagen von neuronalen Netzen und Deep Learning: Die Studierenden haben grundlegendes Wissen über neuronale Netze und Deep Learning, einschließlich der Funktionsweise von einfachen neuronalen Netzen sowie der Nutzung von Deep Learning-Frameworks wie TensorFlow oder Keras.
- Programmbibliotheken für Machine Learning: Die Studierenden kennen gängige Programmbibliotheken wie Scikit-learn und TensorFlow und verstehen deren Aufbau und Funktionsweise zur Implementierung von Machine Learning-Methoden.
- Anwendungsbereiche und Performance von Machine Learning-Methoden: Die Studierenden haben Kenntnisse über die Vor- und Nachteile verschiedener Machine Learning-Methoden und deren Einsatz in realen Szenarien, einschließlich der Performance Analyse und Anwendungsgrenzen.
|
|
| 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)
|
|
