|
Machine Learning (Inf2-SEM-ML)5 ECTS (englische Bezeichnung: Machine Learning)
Modulverantwortliche/r: Michael Philippsen Lehrende:
Christopher Mutschler
Startsemester: |
WS 2018/2019 | Dauer: |
1 Semester | Turnus: |
jährlich (WS) |
Präsenzzeit: |
30 Std. | Eigenstudium: |
120 Std. | Sprache: |
Deutsch oder Englisch |
Lehrveranstaltungen:
-
-
Machine Learning
(Seminar, 2 SWS, Nicolas Witt et al., Einzeltermine am 19.1.2019, 26.1.2019, 2.2.2019, 2.3.2019, 10:00 - 14:00, 04.150; findet als Blockveranstaltung statt)
Inhalt:
Dieses Seminar führt in das Themengebiet des maschinellen Lernens ein. Maschinelles Lernen befasst sich mit der Frage, wie Computerprogramme zu konstruieren sind, die automatisch ihr Wissen vergrößern. Ziel des Seminars ist, die wichtigsten Schlüsselalgorithmen aus diesem Gebiet zusammen mit erläuternden Beispielen ihrer Arbeitsweise und der Theorie vorzustellen, die den Kern des Machine Learning ausmachen. Klassische Themengebiete sind hierbei beispielsweise Lernen mit Belohnung, evolutionäre Algorithmen oder statistische Verfahren. Mit der Zeit haben sich nach und nach etablierte Verfahren wie Support Vector Machines, Hidden Markov Modelle oder künstliche Neuronale Netze entwickelt. Das Seminar soll einen übergreifenden Einblick in die Welt des maschinellen Lernen und deren Algorithmen vermitteln.
Lernziele und Kompetenzen:
Nach der Teilnahme an diesem Seminar sind die Studierenden in der Lage:
prinzipielle Vorgehensweisen beim Machine Learning zu erläutern,
Vor- und Nachteile einzelner Methoden zu untersuchen,
Chancen und Grenzen des maschinellen Lernens zu erläutern,
erforderliche Literatur aufzufinden, zu analysieren und zu bewerten,
sich eigenständig in ein Themengebiet einzuarbeiten,
Grundzüge der Präsentationstechniken anzuwenden und zu motivieren,
eine Präsentation mit Begleitmaterial für ein Fachpublikum zu entwickeln,
einen Vortrag passend für einen vorgegebenen Zeitrahmen durchzuführen,
Sachverhalte unter Fachleuten zu diskutieren,
fachspezifische Fragen für das Gebiet zu beantworten,
Literatur:
- T. M. Mitchell: Machine Learning, McGraw-Hill, 1997.
J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann, 1993.
F. V. Jensen, An introduction to Bayesian Networks, UCL Press, 1996.
N. Lavrac und S. Dzeroski, Inductive Logic Programming, Techniques and Applications, Ellis Horwood, 1994.
J. A. Freeman, Simulating Neural Networks with Mathematica, Addison-Wesley, 1994.
J. Hertz, A. Krogh und R. G. Palmer, Introduction to the Theory of Neural Computation, Addison-Wesley, 1991.
R. Rojas, Theorie der neuronalen Netze, Springer, 1996.
W. Banzhaf, P. Nordin, R. E. Keller und D. Francone, Genetic Programming: An Introduction, Morgan Kaufmann und dpunkt, 1998.1994.
M. Mitchel, An Introduction to Genetic Algorithms, MIT-Press, 1996.
Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1992.
C. Bishop, Pattern Recognition and Machine Learning, Springer, 2007
Organisatorisches:
- Anmeldung per E-Mail an christopher.mutschler@fau.de
45-60 Minuten Vortrag
Erstellung einer Ausarbeitung mit den wesentlichen Punkten des Vortrags (keine Folienkopien, ca. 6-8 Seiten)
Anwesenheit bei den Vorträgen der anderen Teilnehmer
Fertigstellung der Folien bis spätestens einer Woche vor dem Vortragstermin, Fertigstellung der Ausarbeitung bis zum Ende des Semesters
Die Veranstaltung wird im Block an ca. 2 Samstagen gegen Ende der Vorlesungszeit stattfinden.
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan: Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:
- Computational Engineering (Rechnergestütztes Ingenieurwesen) (Bachelor of Science)
(Po-Vers. 2010 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Bachelor of Science) | Gesamtkonto | Seminar Informatik für CE)
- Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science): ab 1. Semester
(Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Seminar, Masterarbeit | Seminar im Masterstudium)
- Informatik (Bachelor of Arts (2 Fächer))
(Po-Vers. 2010 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Seminar | Seminar)
- Informatik (Bachelor of Arts (2 Fächer))
(Po-Vers. 2013 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Seminar | Seminar)
- Informatik (Bachelor of Science)
(Po-Vers. 2007 | TechFak | Informatik (Bachelor of Science) | Seminar)
- Informatik (Bachelor of Science): 3-5. Semester
(Po-Vers. 2009s | TechFak | Informatik (Bachelor of Science) | Seminare, Praktika, Bachelorarbeit | Seminar)
- Informatik (Bachelor of Science): 3-5. Semester
(Po-Vers. 2009w | TechFak | Informatik (Bachelor of Science) | Seminare, Praktika, Bachelorarbeit | Seminar)
- Informatik (Master of Science)
(Po-Vers. 2010 | TechFak | Informatik (Master of Science) | Seminar, Projekt, Masterarbeit | Seminar)
- Medizintechnik (Master of Science)
(Po-Vers. 2018w | TechFak | Medizintechnik (Master of Science) | Grundcurriculum für alle Studienrichtungen | Hauptseminar Medizintechnik)
Studien-/Prüfungsleistungen:
Machine Learning [5 ECTS] (Prüfungsnummer: 358246)
(englischer Titel: Machine Learning [5 ECTS])
- Prüfungsleistung, Seminarleistung, benotet
- Anteil an der Berechnung der Modulnote: 100.0 %
- weitere Erläuterungen:
Die Bewertung der Prüfungsleistung setzt sich zusammen aus:
1/2 Seminarvortrag
1/2 Ausarbeitung
- Erstablegung: WS 2018/2019, 1. Wdh.: SS 2019, 2. Wdh.: keine Wiederholung
1. Prüfer: | Michael Philippsen |
|
|
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|