NummermlECTS3.0AnspruchsniveauadvancedInhaltsübersichtMachine Learning (ML) Methoden erlauben es, Daten mit Hilfe des Computers zu analysieren um daraus für verschiedene Zwecke Vorhersagen zu machen. In den letzten 10 Jahren wurde Machine Learning zu einer Schlüssel-Kompetenz zur Analyse der wachsenden Datenmengen und ihre Anwendungen sind so allgegenwärtig, dass diese von praktisch jedem Menschen täglich mehrfach genutzt werden.
Machine Learning Methoden können in verschiedene Teilgebiete aufgeteilt werden, von welchen in diesem Modul eine repräsentative Auswahl zusammen mit wichtigen grundlegenden Konzepten behandelt werden: Supervised Learning:
- Regression : lineare Regression und Regularisierung
- Klassifikation : logistische Regression, Support Vector Machines, Decision Trees
- Neuronale Netzwerke
Unsupervised Learning:
- Dimensions-Reduktion (Principal Component Analysis, etc.)
- Clustering (Kmeans, Gaussian Mixture Model, etc.)
Model Selection:
- Cross Validation Methoden
- Bewertung von ML-Modellen (Learning Curve, Information Criteria, etc.)
- Anomaly Detection
Lernziele
- Die Studierenden kennen die grundlegenden ML-Methoden, die zugehörigen Algorithmen und die wichtigsten Anwendungsgebiete.
- Sie sind in der Lage, ML-Algorithmen zu implementieren und auf einfache, praktische Beispiele anzuwenden.
- Die Studierenden können Daten und Analyse-Resultate visualisieren und interpretieren.
- Sie sind auch in der Lage, gewählte Modelle quantitativ zu analysieren und zu bewerten.
- Die Studierenden können eine geeignete Bibliothek von Machine Learning und Optimierungs-Algorithmen einsetzen.
Empfohlene Vorkenntnisse
- Einführung in Data Science mit Python (dsp)
- Vertiefung Analysis (vana)
- Diskrete Stochastik (dist)
LeistungsbewertungErfahrungsnoteZusatzinformationenDieses Modul kann auch als Online-Kurs (mit zusätzlichen Übungen) absolviert werden. 
