Machine Learning and Data Analytics

Kontakt

Telefon

work
+49 241 80 93623

E-Mail

E-Mail
 

Lehrbetrieb im Sommersemester

Der Kurs Machine Learning and Data Analytics (Lecture + Exercise) wird als Online-Kurs angeboten. Die Vorlesungen und Übungen folgen dem Paradigma des umgekehrten Klassenzimmers. Aufzeichnungen von Vorlesungen und Übungen werden zur Verfügung gestellt und von Live-Sitzungen begleitet. Bitte beachten Sie: Aufzeichnungen und anderes Material werden nach und nach zur Verfügung gestellt und bleiben dann bis zum Ende des Semesters verfügbar. Die Live-Sitzungen (Vorlesungen und Übungen) werden nicht aufgezeichnet. In den Live- Sitzungen werden spezifische Fragen zu den in den Aufzeichnungen behandelten Themen beantwortet und es bleibt Zeit für Diskussionen. Die in den aufgezeichneten Sitzungen behandelten Themen werden nicht wiederholt. Detaillierte Informationen über die Vorlesungs- und Übungstermine werden in Moodle veröffentlicht.

Inhalt

Die Wissenschaft des Lernens spielt eine Schlüsselrolle in den Bereichen Statistik, Data-Mining und künstliche Intelligenz und überschneidet sich mit Bereichen der Technik und anderen Disziplinen. Dieser Einführungskurs über maschinelles Lernen gibt einen Überblick über zahlreiche Konzepte, Techniken und Algorithmen für das Lernen aus Daten. Diese Methoden können in überwachtes und unüberwachtes Lernen unterteilt werden. Es werden Möglichkeiten zur Bewertung der Effektivität dieser Methoden vorgestellt, zusammen mit praktischen Problemen, die durch den Einsatz von Python3 in Jupyter Notebook gelöst werden.

Steckbrief

Sprache: Englisch
Vorkenntnisse: Keine
Benotung:

60 % Klausur + 40 % Gruppenprojekt + Notenbonus: Quizfragen werden während des Semesters gestellt. Wenn mindestens 75 % davon erfolgreich absolviert werden, erhöht sich die Endnote um eine Notenstufe, z. B. von 2,0 auf 1,7.

 

Lernziele

  1. die grundlegenden Konzepte, Ideen und Intuitionen des maschinellen Lernens zu verstehen
  2. die wichtigsten Lernalgorithmen sowie deren Vor- und Nachteile zu verstehen
  3. die Algorithmen anzuwenden, um praktische Probleme der Datenanalyse mit Python3 in Jupyter Notebook zu lösen
 

Externe Links