Modulhandbuch MLWR

Maschinelles Lernen und wissenschaftliches Rechnen

Master Technische Informatik 2020

Version: 1 | Letzte Änderung: 27.09.2019 15:44 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Rhein

Anerkannte Lehrveranstaltungen	MLWR_Rhein
Gültig ab	Sommersemester 2021
Dauer	1 Semester
ECTS	5
Zeugnistext (de)	Maschinelles Lernen und Wissenschaftliches Rechnen
Zeugnistext (en)	Machine Learning and Scientific Computing
Unterrichtssprache	deutsch
abschließende Modulprüfung	Ja

undefined

Benotet	Ja
Konzept	Fragen zu unterschiedlichen Themengebieten sowohl inhaltlich als auch methodisch unterschiedliche Schwierigkeitsgrade Möglichkeit zu skizzieren und Formeln aufzuschreiben
Frequenz	undefined

ID	Learning Outcome
LO1	Was: fortgeschrittene Methoden des maschinellen Lernens auf typische Datensätze der technischen Informatik anwenden Fallstricke des Maschinellen Lernens in der Vorgehensweise erkennen für eine Aufgabenstellung das geeignete Verfahren bestimmen und anwenden können Qualität von Datensätzen beurteilen und verbessern Datenschutzgesetze kennen weit verbreitete Software des maschinellen Lernens anwenden Womit: Die Methoden werden anhand eines Vortrags oder per Lernvideos vermittelt und in Vorlesung und Übung direkt angewendet. Jeder Student wird ein Projekt durchführen (je nach Anzahl der Studierenden in Gruppenarbeit), bei der er sich Teile des Stoffes selber erarbeitet. Wozu: Maschinelles Lernen wird bei den späteren Arbeitgebern immer mehr eingeführt, etwa in der Robotik, aber auch zur Überwachung und Steuerung von Produktionsprozessen oder Energiesystemen und zur Auswertung von Kundendaten, hier ist ein verantwortlicher Einsatz von Daten wichtig.

Kompetenz	Ausprägung
Gesellschaftliche Vertretbarkeit technischer Lösungen bewerten	diese Kompetenz wird vermittelt
Komplexe Aufgaben selbständig bearbeiten	diese Kompetenz wird vermittelt
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren	diese Kompetenz wird vermittelt
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind	diese Kompetenz wird vermittelt
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen	diese Kompetenz wird vermittelt

undefined

ID	Learning Outcome
LO1	Was: fortgeschrittene Methoden des maschinellen Lernens auf typische Datensätze der technischen Informatik anwenden Fallstricke des Maschinellen Lernens in der Vorgehensweise erkennen für eine Aufgabenstellung das geeignete Verfahren bestimmen und anwenden können Qualität von Datensätzen beurteilen und verbessern Datenschutzgesetze kennen weit verbreitete Software des maschinellen Lernens anwenden Womit: Die Methoden werden anhand eines Vortrags oder per Lernvideos vermittelt und in Vorlesung und Übung direkt angewendet. Jeder Student wird ein Projekt durchführen (je nach Anzahl der Studierenden in Gruppenarbeit), bei der er sich Teile des Stoffes selber erarbeitet. Wozu: Maschinelles Lernen wird bei den späteren Arbeitgebern immer mehr eingeführt, etwa in der Robotik, aber auch zur Überwachung und Steuerung von Produktionsprozessen oder Energiesystemen und zur Auswertung von Kundendaten, hier ist ein verantwortlicher Einsatz von Daten wichtig.

Kompetenz	Ausprägung
Gesellschaftliche Vertretbarkeit technischer Lösungen bewerten	diese Kompetenz wird vermittelt
Komplexe Aufgaben selbständig bearbeiten	diese Kompetenz wird vermittelt
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren	diese Kompetenz wird vermittelt
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind	diese Kompetenz wird vermittelt
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen	diese Kompetenz wird vermittelt

Typ	Vorlesung / Übungen
Separate Prüfung	Nein
Exemplarische inhaltliche Operationalisierung	Approximationsverfahren Metamodellierung Regressionsverfahren Multikriterielle Optimierung Formulierung Paretofront Algorithmen Visualisierung Fortgeschrittene Clusteranalyse Assoziationsanalyse Ausreißererkennung Fortgeschrittene Klassifikationsverfahren evtl. Texterkennung, Web Mining, Zeitreihenanalyse

Typ	Praktikum
Separate Prüfung	Nein
Exemplarische inhaltliche Operationalisierung	weiterführende Aufgabenstellung: über den Vorlesungsstoff hinausführende Aufgabenstellung, bei der eine Methode selbständig erarbeitet werden muss, anschließend Umsetzung in einem Programm

Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME