Maschinelles Lernen

Studierende lernen, die Methoden des (überwachten und unüberwachten) maschinellen Lernens auf diverse Anwendungsfälle anzuwenden. Sie verstehen den Einsatz von Evaluierungsmethoden, sowie unterschiedlichen Metriken, kennen die wichtigsten Machine Learning Modelle und deren Eigenschaften. Dabei werden Code-zentrierte Python-Bibliotheken bis hin zu - AutoML Tools eingesetzt und deren Vor- und Nachteile bewertet.

Wissen und Verstehen: Die Studierenden ...

• kennen Typen von Machine Learning-Aufgaben wie überwachtes Lernen (Klassifikation und Regression), unüberwachtes Lernen (Clustering und Dimensionsreduktion), sowie Reinforcement Learning
• verstehen die wichtigsten ML-Algorithmen in ihren Grundzügen , z.B. elementare Bausteine eines Entscheidungsbaums oder Multi-Layer Perceptrons (MLP)

Anwendung von Wissen und Verstehen: Die Studierenden ...

• können mögliche Anwendungsfälle den ML-Aufgaben zuordnen
• formalisieren betriebliche Problemstellungen als ML-Problem
• können Daten anhand einer formalisierten Problemstellung korrekt transformieren und vorverarbeiten
• können Code-zentrierte Python-Bibliotheken wie scikit-learn, Keras/TensorFlow anwenden
• können interaktive Datenanalyse-Tools wie Knime, RapidMiner, Weka einsetzen
• kennen typische Modellverhalten (Over- / Underfitting) und können Hyperparameter Tuning durchführen
• kennen Machine Learning Design Patterns und können sie anwenden

Urteilen: Die Studierenden ...

• können AutoML Tools wie BigML etc. anwenden und kritisch reflektieren
• können menschenlesbare Modelle korrekt interpretieren
• können Vorhersagequalität und Modellgüte quantitativ beurteilen (Precision, Recall, F1, Confusion Matrix, Accuracy, insbesondere aber auch kostenbasierte Evaluation) und kritisch reflektieren

• Verständnis von ML-Problemen in der betrieblichen Praxis, Modellierung
• Transformation und Vorverarbeitung von Daten
• ML-Algorithmen: Entscheidungsbäume, Logistic Regression, neuronale Netze, lineare Regression, hierarchisches Clustering,...
• ML-Bibliotheken und -Tools
• Interpration von ML-Modellen
• Evaluation: Verfahren und Metriken
• Typische Probleme und dazu passende ML Design Patterns

Kontaktstudium: Vortrag, interaktiver Unterricht, Diskussion, Präsentation, Übungen, Gruppenarbeit

Begleitetes Selbststudium: Online-Tutorials (Videos/Skript), Quizzes, Gruppen-Assignments

Modul "Einführung in die Künstliche Intelligenz"

Note 1-6 (halbe Noten)