Modul: Machine Learning Algorithmen & Data Modeling, Hochschule für Informatik FHNW

Durch dieses Modul bekommst du ein fundiertes technisches Verständnis für die Funktionsweise der wichtigsten Machine-Learning-Algorithmen. Anhand des Überblicks zur Entwicklung von ML-Algorithmen beleuchten wir gemeinsam grundlegende Konzepte undOptimierungsmethoden Schritt für Schritt. Themen wie technische Dokumentation und die Nutzung von Fachliteratur schärfen dein Profil.

Ein weiterer Schwerpunkt des Moduls liegt auf der strukturierten Datenaufbereitung und Modellierung. Du behandelst praxisorientiert Themen wie Overfitting, Data Leakage und Abhängigkeiten in den Daten, mit Fokus auf einem sorgfältigen und systematischen Vorgehen. Hier fliessen zentrale Erkenntnisse aus Kaggle-Wettbewerben im Bereich tabellarischer Daten ein.

In der abschliessenden Sitzung widmest du dich den jüngsten Fortschritten im Bereich Generative AI. Wir zeigen die neusten Innovationen und du lernst Funktionsprinzipien von Transformer-Modellen und die Anwendung von Embeddings.

Lernziele

Du kannst:

• hierarchische, Density-Based- und Distribution-Based-Clustering-Ansätze in Python umsetzen.
• verschiedene Ansätze und Kriterien für die Model-Selection sauber in Python mit Hilfe von Pipelines umsetzen.
• mit Abhängigkeiten in den Daten korrekt umgehen.
• sämtliche Algorithmen, Methoden und Verfahren in Python anwenden.

Du kennst:

• weiterführende Methoden für Regressionsprobleme.
• hierarchische, Density-Based- und Distribution-Based-Clustering-Ansätze.
• die Konzepte hinter den verschiedenen Ensemble-Learning-Verfahren (Bagging, Boosting, Stacking).
• verschiedene Ansätze und Kriterien für die Model-Selection.
• verschiedene Methoden, um Unsicherheiten in den Daten zu begegnen.
• das Class-Imbalance-Problem und Strategien wie Oversampling, Undersampling oder Loss Weights.

Du weisst:

• welchen Mehrwert die einzelnen Ensemble-Learning-Verfahren bringen.
• welche Vor- und Nachteile der Einsatz von Ensemble-Learning mit sich bringt.

Du beherrschst:

• den Umgang mit Frameworks wie z. B. AutoML, um die Model-Selektion und das Fine-Tuning der Hyperparameter zu automatisieren.

Technologie

Python