Maschinelles Lernen und wissenschaftliches Rechnen
Master Technische Informatik 2020
PDF Studiengangsverzeichnis Studienverlaufspläne Master Technische Informatik
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 |
© 2022 Technische Hochschule Köln