Letzte Änderung : 12.10.2026 14:55:12
| Studiengänge >> Informatik 2024 M.Sc. >> Maschinelles Lernen |
| Code: | 284750 |
| Module title: | Machine Learning |
| Version: | 1.0 (12/2021) |
| Last update: | 11.09.2026 |
| Responsible person: | Prof. Dr.-Ing. Ringwelski, Georg G.Ringwelski@hszg.de |
| Offered in 2 study courses: | Computer Science (M.Sc.) valid from the class 2024 (compulsory module) | Computer Science (M.Sc.) valid from the class 2026 (compulsory module) |
| Semester according to time table: | WiSe (winter semester) |
| Module level: | Master |
| Duration: | 1 semester |
| Status: | compulsory module |
| Place where the module will be offered: | Görlitz |
| Language of Instruction: | German/English |
| Workload* in | SCH ** | |||||||||||||||||
| hours | ECTS Credits |
|||||||||||||||||
| * | Overall workload per module (1 ECTS credit corresponds to a workload of 30 hours) |
| ** | One semester credit hour (SCH) corresponds to a workload / class meeting of 45 minutes per week in a semester |
| Self study time in hours | ||||
Preperation of contact hours |
Preparation of exam |
Others |
||
| Learning and teaching methods: | ---- GERMAN 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. ---- ENGLISH The module consists of integrated lecture, lab, and seminar components. The focus is on students independently exploring the subject areas. In particular, for the course assessment, students must complete several small individual projects. The topics are determined on an individual basis, in consultation with the instructor, and are subsequently presented in a traditional seminar setting to the entire class or submitted in writing via OPAL. |
| Further information: | ---- GERMAN Zur aktuell durchgeführten Veranstaltung finden Sie Informationen im OPAL: https://bildungsportal.sachsen.de/opal/auth/RepositoryEntry/33267253248/CourseNode/1638934270844979006?5 ---- ENGLISH Experience in object-oriented programming (OOP) and software engineering (testing, design patterns, software engineering processes) |
| Exam(s) | |||
| Assessment | Major exam (laboratory work) | 100.0% | |
| Syllabus plan/Content: |
---- GERMAN 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) ---- ENGLISH 1. Supervised learning: Implementation of a custom image classifier without using third-party code. Specifically, all subtasks are solved in-house using a universal programming language such as Java or Python. This includes feature extraction, implementation of the learning algorithm, and evaluation of the model’s performance. 2. Deep learning: Generating a classifier from training data in supervised learning without feature extraction. For that, open-source frameworks are selected and applied. 3. Unsupervised Learning: Classification learning without annotation of the training data. Evaluation of the learning results in terms of meaningful clustering and in relation to annotated test data. For this topic as well, students draw on components from the scientific community. (4. Reinforcement learning is introduced and explained conceptually) |
| Learning Outcomes: | |
| Subject-specific skills and competences: | ---- GERMAN Die Absolventen/-innen können die Unterschiede bei Anwendbarkeit, Durchführung und zu erwartendem Ergebnis verschiedener Grundansätze des maschinellen Lernens erläutern. Die Absolventen/-innen können für ein konkretes Lernproblem einen geeigneten Lösungsansatz bestimmen und auf der Basis von existierenden Lösungen realisieren. Die Absolventen/-innen können aus unterschiedlichen Datenquellen, wie Texten, Bildern oder Audiodateien Merkmale extrahieren, die in ML-Algorithmen erfolgversprechend als Trainingsdaten eingesetzt werden können. Die Absolventen/-innen vertiefen ihr im Bachelorstudium gewonnenes Basiswissen im Bereich der Informatik. Sie sind fähig, diese vertieften Erkenntnisse aus spezialisierten Feldern wie Datenbanken, Data Mining, Künstliche Intelligenz, Echtzeitprogrammierung, Betriebssysteme und Modellbildung für ihre individuelle Profilbildung innerhalb der Masterausbildung nutzbringend anzuwenden und zu kombinieren. Darüber hinaus können die Absolventen/-innen die Anforderungen an wissenschaftliches Arbeiten selbständig anwenden und umsetzen. Hierfür verfügen sie über wissenschaftstheoretische Kenntnisse zu etablierten Methoden der Modellbildung und Abstraktion, welche sie nutzen, um wissenschaftliche Fragestellungen zu entwerfen, zu beantworten und praxistaugliche Lösungsansätze zu entwickeln. In diesem Kontext sind die Absolventen/-innen in der Lage, die fachspezifischen wissenschaftlichen Methoden in sinnvoll prozessuraler Weise anzuwenden, deren Möglichkeiten und insbesondere auch Grenzen darzulegen und dieses Wissen für eine differenzierte Beurteilung des gefundenen Problemlösungsansatzes zu nutzen. Ihr erhöhtes Vertrautheitsniveau mit den Methoden befähigt sie zudem, mit hoher Flexibilität auch neue Aufgabenfelder zu erschließen. In den Bereichen ihrer Spezialisierung sind die Absolventen/-innen des aktuellen Standes der Technik bewusst und können zukünftige Entwicklungstendenzen sinnvoll prognostizieren sowie entsprechende Problemstellungen ableiten. Des Weiteren besitzen sie in hinreichendem Umfang Wissensdrang und Neugier, um eigenständig umfassende Literaturrecherchen, die wissenschaftlichen Ansprüchen genügen, durchzuführen. Sie können die Ergebnisse dieser Recherchen systematisieren und aufbereiten, so dass sie für den Eigen- oder Fremdgebrauch verwendbar sind. ---- ENGLISH Graduates can explain the differences in applicability, implementation, and expected results of various fundamental approaches to machine learning. Graduates can identify a suitable solution for a specific learning problem and implement it based on existing solutions. Graduates can extract features from various data sources, such as text, images, or audio files, that can be effectively used as training data in ML algorithms. Graduates deepen the foundational knowledge of computer science acquired during their bachelor’s program. They are able to effectively apply and combine this advanced knowledge from specialized fields such as databases, data mining, artificial intelligence, real-time programming, operating systems, and modeling to shape their individual academic profiles within the master’s program. In addition, graduates are able to independently apply and implement the requirements of scientific work. To this end, they possess theoretical knowledge of established methods of modeling and abstraction, which they use to formulate and answer scientific questions and to develop practical solutions. In this context, graduates are able to apply subject-specific scientific methods in a meaningful, process-oriented manner, to articulate their possibilities and, in particular, their limitations, and to use this knowledge for a nuanced assessment of the proposed problem-solving approach. Their increased familiarity with these methods also enables them to tackle new areas of work with a high degree of flexibility. In their areas of specialization, graduates are aware of the current state of the art and can meaningfully forecast future development trends as well as identify corresponding problems. Furthermore, they possess a sufficient thirst for knowledge and curiosity to independently conduct comprehensive literature reviews that meet scientific standards. They can systematize and process the results of this research so that they are usable for their own or others’ purposes. |
| Generic competences (Personal and key skills): | ---- GERMAN Die Absolventen/-innen 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. Schließlich sind die Absolventen/-innen fähig, die Ergebnisse ihrer Arbeit verständlich und nachvollziehbar darzustellen und in angemessener Form zu verteidigen, sei es in Bezug auf erworbenes Fachwissen in mündlichen oder schriftlichen Prüfungen oder auf erarbeitete umfassende Problemlösungen bei Präsentationen zu Projekt- und Belegarbeiten. Zudem können sie Kritik an der Arbeit oder den Lösungen rezipieren und diese konstruktiv für eine Lösungsverbesserung nutzen. ---- ENGLISH Graduates are able to formulate research questions in the field of AI and identify and apply appropriate methods to address them. They can successfully communicate their own R&D findings to a specialist audience. Finally, graduates are able to present the results of their work in a clear and comprehensible manner and defend them appropriately, whether in terms of acquired specialized knowledge in oral or written exams or in terms of comprehensive problem-solving approaches developed in presentations of project and course papers. In addition, they can receive criticism of their work or solutions and use it constructively to improve their solutions. |
| Pre-requisites: | ---- GERMAN keine ---- ENGLISH none |
| Optional pre-requisites: | ---- GERMAN Erfahrung in OOP und Software Engineering (Tests, Patterns, SE-Prozesse) ---- ENGLISH |
| Literature: | wird auf der OPAL-Seite aktuell bekanntgegeben |