Modul

MLWR - 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
Dauer 1 Semester
ECTS 5
Zeugnistext (de) Maschinelles Lernen und Wissenschaftliches Rechnen
Zeugnistext (en) Machine Learning and Scientific Computing
Unterrichtssprache deutsch
abschließende Modulprüfung Ja
Inhaltliche Voraussetzungen
Handlungsfelder
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 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.
Kompetenzen

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

Inhaltliche Voraussetzungen
Handlungsfelder
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 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.
Kompetenzen
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

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