Die Studierenden kennen und verstehen grundlegende Konzepte und verschiedene Arten des Maschinellen Lernens sowie ausgewählte Modelle. Sie sind in der Lage, Daten aus verschiedenen Anwendungsbereichen zu evaluieren und zu analysieren sowie geeignete Modelle auszuwählen, zu trainieren und zu evaluieren. Sie können ausgewählte Modelle detaillierter beschreiben. Sie kennen ausgewählte ML-Bibliotheken und sind in der Lage, diese auf praktische Probleme anzuwenden.

• Motivation, Einführung und grundlegende Konzepte
• Clustering und Dimensionsreduktion
• Lineare Regression, logistische Regression, Gradientenabstieg
• Entscheidungsbäume
• Klassifikation und Regression
• Over-/Underfitting
• Datenanalyse und Data Engineering
• Metriken zur Modellevaluation
• Kreuzvalidierung
• Ensemble Learning
• Neuronale Netze
• Weitere ausgewählte Modelle des überwachten und unüberwachten Lernens
• Praxis mit Python und Scikit-Learn
• Daten-Challenge

• Burkov, Andriy: The Hundred-Page Machine Learning Book. 2019
• Bishop, Christopher M.: Pattern Recognition and Machine Learning. Springer, 2006

Vorlesung, Übungen in Kleingruppen am Computer

Englisch

PL

Klausur oder Belegarbeit mit Gespräch/Präsentation

5

4