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 StudienschwerpunktsCS - 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
Algorithmen, Protokolle, Schaltungen und kommunikationstechnische Systeme unter interdisziplinären Bedingungen entwickeln und testen
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
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 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
MINT-Modelle nutzen

diese Kompetenz wird vermittelt
kommunikationstechnische Systeme und Prozesse analysieren
MINT-Wissen anwenden
Wissenschaftliche  Methoden anwenden
Regeln guten wissenschaftlichen Arbeitens beachten

Inhaltliche Voraussetzungen
Handlungsfelder
Algorithmen, Protokolle, Schaltungen und kommunikationstechnische Systeme unter interdisziplinären Bedingungen entwickeln und testen
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Learning Outcomes
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 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


© 2022 Technische Hochschule Köln