Hauptinhalt überspringenNavigation überspringenFooter überspringen
Logo der Fachhochschule Nordwestschweiz
Studium
Weiterbildung
Forschung und Dienstleistungen
Internationales
Die FHNW
De
Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien

      Logo der Fachhochschule Nordwestschweiz
      • Studium
      • Weiterbildung
      • Forschung und Dienstleistungen
      • Internationales
      • Die FHNW
      De
      Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien
      Module
      Artificial Intelligence & Machine Learning

      Artificial Intelligence & Machine Learning

      Nummer
      aiml
      ECTS
      3.0
      Anspruchsniveau
      advanced
      Inhaltsübersicht

      Artificial lntelligence- und Machine Learning-Methoden ermöglichen die systematische Nutzung von Daten. Dabei umfasst Artificial lntelligence ein sehr weites Feld von Methoden, welche allgemein künstliches zielgerichtetes Verhalten, meist von Agenten oder Maschinen, ermöglichen und Gebiete wie Natural Language Processing, Robotik, Mustererkennung etc miteinschliesst. Hier bietet die Vorlesung einen Überblick. Machine Learning ist ein Teilgebiet von Artificial lntelligence, in welchem mittels Computer­ Algorithmen Daten analysiert und zur Vorhersage nutzbar gemacht werden. Dies ist eine Schlüssel­ Kompetenz zur Bewältigung der wachsenden Datenmengen. Anwendungsbeispiele aus der Praxis sind die Detektion von Kreditkartenbetrug, die Diagnose von Krankheitsbildern oder die Optimierung von industriellen Prozessen. Machine Learning gliedert sich in Teilgebiete, von welchen im Unterricht die wichtigen grundlegenden Konzepte sowie jeweils ein repräsentatives Set von Methoden vermittelt werden:

      Supervised Learning:

      • Regression : lineare Regression
      • Klassifikation : logistische Regression, Support Vector Machines, Klassifikationsbäume
      • Neuronale Netzwerke: MLP für Klassifikation und Regression.

      Unsupervised Learning:

      • Clustering: KNN
      • Kompression: PCA, NMF

      Model Evaluation:

      • Modell Metriken: Bestimmtheitsmass, RMSE, Accuracy, Recall, AUC etc.
      • Data Sampling Verfahren: Cross Validation
      Lernziele

      Die Studierenden kennen die grundlegenden Methoden und Algorithmen und wenden diese an, um ausgehend von Daten mit Computer-Hilfe Vorhersagen zu machen, Muster zu erkennen und Entscheidungen zu fällen. Die Studierenden sind in der Lage, Machine Learning-Algorithmen selber zu implementieren, zu validieren und die Resultate zu interpretieren. Dazu sind sie mit den zugrundeliegenden mathematischen Ideen vertraut. Die Studierenden können Bibliotheken zu Machine Learning- und Optimierungen einsetzen.

      Empfohlene Vorkenntnisse
      • Informatikgrundlagen (infgl)
      • Programmieren (prgm)
      • Mathematik Grundlagen (magl)
      • Statistik Grundlagen (stagl)
      Leistungsbewertung
      Erfahrungsnote

      Studium

      Angebot

      • Studium
      • Weiterbildung
      • Forschung & Dienstleistungen

      Über die FHNW

      • Hochschulen
      • Organisation
      • Leitung
      • Facts and Figures

      Hinweise

      • Datenschutz
      • Accessibility
      • Impressum

      Support & Intranet

      • IT Support
      • Login Inside-FHNW

      Member of: