Lehrveranstaltungshandbuch MLWR
Maschinelles Lernen und wissenschaftliches Rechnen
PDF Lehrveranstaltungsverzeichnis English Version: MLWR
Version: 1 | Letzte Änderung: 27.09.2019 16:03 | Entwurf: 0 | Status: vom verantwortlichen Dozent freigegeben
| Langname | Maschinelles Lernen und wissenschaftliches Rechnen |
|---|---|
| Anerkennende LModule | MLWR_MaCSN, MLWR_MaET, MLWR_MaTIN |
| Verantwortlich |
Prof. Dr. Beate Rhein
Professor Fakultät IME |
| Gültig ab | Sommersemester 2021 |
| Niveau | Master |
| Semester im Jahr | Sommersemester |
| Dauer | Semester |
| Stunden im Selbststudium | 60 |
| ECTS | 5 |
| Dozenten |
Prof. Dr. Beate Rhein
Professor Fakultät IME |
| Voraussetzungen | Grundkenntnisse in Wahrscheinlichkeitsrechnung und maschinellem Lernen |
| Unterrichtssprache | deutsch |
| separate Abschlussprüfung | Ja |
Literatur
Abschlussprüfung
| Details |
Fragen von verschiedenem Schwierigkeitsgrad und zu unterschiedlichen Aspekten der Lehrveranstaltung (Ablauf eines Projektes, Performanzmaße, Datenschutz etc.) punktuelle vertiefende Fragen Skizzen und Formeln aufschreiben ist möglich. |
|---|---|
| Mindeststandard | den groben Ablauf eines Projektes zum maschinellen Lernen oder zum wissenschaftlichen Rechnen beschreiben können Besprochene Verfahren erläutern grob können |
| Prüfungstyp | mündliche Prüfung, strukturierte Befragung |
Lernziele
| Zieltyp | Beschreibung |
|---|---|
| Kenntnisse | Approximationsverfahren Metamodellierung Regressionsverfahren Multikriterielle Optimierung Formulierung Paretofront Algorithmen Visualisierung Fortgeschrittene Clusteranalyse Assoziationsanalyse Ausreißererkennung Fortgeschrittene Klassifikationsverfahren evtl. Texterkennung, Web Mining, Zeitreihenanalyse |
| Fertigkeiten | Zu Anwendungsaufgaben passende mathematische Verfahren kennen, diese über numerische Methoden und geschickte Implementierung in laufzeit- und speicherplatzoptimierte Programme umsetzen Approximationsverfahren kennen und für eine Aufgabenstellung passendes Verfahren auswählen und anwenden Anwendungsaufgabe als multikriterielle Optimierungsaufgabe formulieren und in einem Programm lösen können Methoden des maschinellen Lernens kennen, passendes Verfahren auswählen und anwenden |
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Vorlesung | 2 |
| Übungen (ganzer Kurs) | 2 |
| Übungen (geteilter Kurs) | 0 |
| Tutorium (freiwillig) | 0 |
Besondere Literatur
| Data Mining - The Textbook, C.C. Aggarwal, Springer Verlag, ISBN 978-3-319-14141-1 |
| Strukturoptimierung, L. Harzheim, Harri Deutsch Verlag, ISBN 978-3-8085-5659-7 |
Besondere Voraussetzungen
|
keine |
| Begleitmaterial |
Vortragsfolien zur Vorlesung (elektronisch) evtl. Tutorials, Lehrvideos oder Links hierzu Praktikumsaufgabe, z.T. mit Datensätzen und Literatur |
|---|---|
| Separate Prüfung | Nein |
Lernziele
| Zieltyp | Beschreibung |
|---|---|
| Fertigkeiten | Anwendung und Programmierung von Verfahren der Approximation, der multikriteriellen Optimierung oder des maschinellen Lernens numerische Verfahren effizient implementieren Algorithmen hinsichtlich ihrer Komplexität bewerten |
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Praktikum | 1 |
| Tutorium (freiwillig) | 0 |
Besondere Voraussetzungen
|
keine |
| Begleitmaterial |
Elektronische Aufgabenbeschreibung Beispielprogramme Elektronische Tutorials für Selbststudium |
|---|---|
| Separate Prüfung | Nein |
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln