Letzte Änderung : 20.01.2025 12:11:56   


Output

Code: 284750
Module title: Machine Learning
Version: 1.0 (12/2021)
Last update: 8.05.2024 13:31:02
Person responsible for content: Prof. Dr.-Ing. Ringwelski, Georg
G.Ringwelski@hszg.de

Offered in:Computer Science (M.Sc.) valid from class 2024

Semester according to timetable: WiSe (winter semester)
Module level:Master
Duration:1 semester
Language of Instruction:German
Place where the module will be offered:Görlitz

ECTS Credits: 5
Student workload (in hours): 150

Number of hours of teaching:
total
subdivided into
4
0
Lecture
4
Seminar/Exercise
0
Laboratory work
0
Other
Self study time (in hours):
sum

105
0
Preparation of contact hours
105
Preparation of exam
0
Other

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


Exam(s)
Assessment Major exam (laboratory work)
 - 
 100.0%


Syllabus plan/Content: 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)

Learning Goals
Subject-specific skills and competences: 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.
Generic competences (Personal and key skills): 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.

Prerequisites: keine
Optional: Erfahrung in OOP und Software Engineering (Tests, Patterns, SE-Prozesse)

Literature: wird auf der OPAL-Seite aktuell bekanntgegeben