Modul Maschinelles Lernen

Code:	284750
Modul:	Maschinelles Lernen
Module title:	Machine Learning
Version:	1.0 (12/2021)
letzte Änderung:	08.05.2024
Modulverantwortliche/r:	Prof. Dr.-Ing. Ringwelski, Georg G.Ringwelski@hszg.de

angeboten im Studiengang:	Informatik (M.Sc.) gültig ab Matrikel 2024

Modul läuft im:	WiSe (Wintersemester)
Niveaustufe:	Master
Dauer des Moduls:	1 Semester
Status:	Pflichtmodul
Lehrort:	Görlitz
Lehrsprache:	Deutsch

Workload* in

SWS **

Semester

Zeit- std.

ECTS- Pkte

1

2

3

4

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

150

5

4.0

0

4

0

0

*	Gesamtarbeitsaufwand pro Modul (1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden)
**	eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche

Selbststudienzeit in h	Angabe gesamt	davon
	105	0 Vor- und Nachbereitung LV	105 Vorbereitung Prüfung	0 Sonstiges

Lehr- und Lernformen:

Das Modul wird in integrierten Vorlesungs- und Praktikums- und Seminaranteilen durchgeführt. Der Schwerpunkt liegt dabei bei der selbstständigen Erarbeitung der Themengebiete durch die Studierenden. Insbesondere für die Prüfungsleistung sind mehrere kleine Projekte in Einzelarbeit zu erstellen. Die Themen werden dabei individuell, unterschiedlich in Abstimmung mit dem Dozenten festgelegt und im Anschluss in klassischer Seminarform im Plenum präsentiert oder schriftlich über OPAL veröffentlicht.

Hinweise:

Zur aktuell durchgeführten Veranstaltung finden Sie Informationen im OPAL: https://bildungsportal.sachsen.de/opal/auth/RepositoryEntry/33267253248/CourseNode/1638934270844979006?5



Prüfung(en)
Prüfung	Prüfungsleistung als Laborarbeit (PL)	-	100.0%

---

Lerninhalt:

1. Überwachtes Lernen: Implementierung eines eigenen lernenden Klassifikators für Bilder ohne fremden Code. Insbesondere werden alle Teilaufgaben selbst in einer universellen Programmiersprache wie Java oder python gelöst. Das schließt, Merkmalsextraktion, Implementierung des Lernverfahrens sowie die Evaluierung des Lernerfolgs mit ein. 2. Tiefes Lernen: Generierung eines Klassifikators aus Trainingsdaten im überwachten Lernen ohne Merkmalsextraktion. Dazu werden open source frameworks ausgewählt und angewendet. 3. Unüberwachtes Lernen: Klassifikationslernen ohnen Annotation der Trainingsdaten. Evaluierung des Lernergebnisses bzgl. aussagekräfiger Clusterung und im Verhältnis zu annotierten Testdaten. Auch bei diesem Thema greifen die Studierenden auf Komponenten aus der wissenschaftlichen Gemeinschaft zurück (4. Verstärkendes Lernen wird motoviert und konzeptionell erläutert)

Lernergebnisse/Kompetenzen:
Fachkompetenzen:	Die Studierenden können die Unterschiede bei Anwendbarkeit, Durchführung und zu erwartendem Ergebnis verschiedener Grundansätze des maschinellen Lernens erläutern. Die Studierenden können für ein konkretes Lernproblem einen geegneten Lösungsansatz bestimmen und auf der Basis von existierenden Lösungen realisieren. Sie sind darüberhinaus in der Lage mögliche zukünfige Entwicklungstendenzen zu prognostizieren und entsprechende Fragestellungen daraus abzuleiten. Die Studierenden können aus unterschiedlichen Datenquellen, wie Texten, Bildern oder Audiodateien Merkmale extrahieren, die in ML-Algorithmen erfolgversprechend als Trainingsdaten eingesetzt werden können.
Fachübergreifende Kompetenzen:	Die Studierenden können wissenschaftliche Fragestellungen im bereich der KI formulieren und geeignete Methoden zu ihrer Beantwortung identifizieren und anwenden. Sie können eigene F&E Ergebnisse einem Fachpublikum erfolgreich vermitteln.

Notwendige Voraussetzungen für die Teilnahme:	keine
Empfohlene Voraussetzungen für die Teilnahme:	Erfahrung in OOP und Software Engineering (Tests, Patterns, SE-Prozesse)

Literatur:	wird auf der OPAL-Seite aktuell bekanntgegeben