Modul
MLWR - Maschinelles Lernen und Wissenschaftliches Rechnen
Master Communication Systems and Networks 2020
PDF Studiengangsverzeichnis Studienverlaufspläne Master Communication Systems and Networks
Version: 1 | Letzte Änderung: 28.10.2019 18:17 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Rhein
| Anerkannte Lehrveranstaltungen | MLWR_Rhein |
|---|---|
| Modul ist Bestandteil des Studienschwerpunkts | CS - Communication Systems |
| Dauer | 1 Semester |
| ECTS | 5 |
| Zeugnistext (de) | Maschinelles Lernen und Wissenschaftliches Rechnen |
| Zeugnistext (en) | Machine Learning and Scientific Computing |
| Unterrichtssprache | deutsch oder englisch |
| abschließende Modulprüfung | Ja |
Inhaltliche Voraussetzungen
Handlungsfelder
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Modulprüfung
| Benotet | Ja | |
|---|---|---|
| Frequenz | undefined | |
Prüfungskonzept
Fragen zu unterschiedlichen Themengebieten
sowohl inhaltlich als auch methodisch
unterschiedliche Schwierigkeitsgrade
Möglichkeit zu skizzieren und Formeln aufzuschreiben
Learning Outcomes
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 Communication Systems bei der Erkennung von Angriffen auf Kommunikationsnetze. Hier ist ein verantwortlicher Einsatz von Daten wichtig.
Kompetenzen
Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt
diese Kompetenz wird vermittelt
MINT-Wissen anwenden
Wissenschaftliche Methoden anwenden
Regeln guten wissenschaftlichen Arbeitens beachten
Inhaltliche Voraussetzungen
Handlungsfelder
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Learning Outcomes
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 Communication Systems bei der Erkennung von Angriffen auf Kommunikationsnetze. Hier ist ein verantwortlicher Einsatz von Daten wichtig.
Kompetenzen
| Kompetenz | Ausprägung |
|---|---|
| kommunikationstechnische Systeme und Prozesse analysieren | diese Kompetenz wird vermittelt |
| MINT-Modelle nutzen | Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt |
| MINT-Wissen anwenden | diese Kompetenz wird vermittelt |
| Wissenschaftliche Methoden anwenden | diese Kompetenz wird vermittelt |
| Regeln guten wissenschaftlichen Arbeitens beachten | diese Kompetenz wird vermittelt |
Exemplarische inhaltliche Operationalisierung
Approximationsverfahren
Metamodellierung
Regressionsverfahren
Multikriterielle Optimierung (Formulierung, Paretofront, Algorithmen, Visualisierung)
Fortgeschrittene Clusteranalyse
Assoziationsanalyse
Ausreißererkennung
Fortgeschrittene Klassifikationsverfahren
evtl. Texterkennung, Web Mining, Zeitreihenanalyse
Separate Prüfung
keine
Exemplarische inhaltliche Operationalisierung
weiterführende Aufgabenstellung:
über den Vorlesungsstoff hinausführende Aufgabenstellung, bei der eine Methode selbständig erarbeitet werden muss, anschließend Umsetzung in einem Programm
Separate Prüfung
keine
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln