Lehrver­anstaltung

MLWR - Maschinelles Lernen und wissenschaftliches Rechnen

PDF Lehrveranstaltungsverzeichnis English Version: MLWR

Version: 1 | Letzte Änderung: 27.09.2019 16:03 | Entwurf: 0 | Status: vom verantwortlichen Dozent freigegeben

Langname Maschinelles Lernen und wissenschaftliches Rechnen
Anerkennende LModule MLWR_MaCSN, MLWR_MaET, MLWR_MaTIN
Verantwortlich
Prof. Dr. Beate Rhein
Professor Fakultät IME
Niveau Master
Semester im Jahr Sommersemester
Dauer Semester
Stunden im Selbststudium 60
ECTS 5
Dozenten
Prof. Dr. Beate Rhein
Professor Fakultät IME
Voraussetzungen Grundkenntnisse in Wahrscheinlichkeitsrechnung und maschinellem Lernen
Unterrichtssprache deutsch
separate Abschlussprüfung Ja
Literatur
keine/none
Abschlussprüfung
Details
Fragen von verschiedenem Schwierigkeitsgrad und zu unterschiedlichen Aspekten der Lehrveranstaltung (Ablauf eines Projektes, Performanzmaße, Datenschutz etc.)
punktuelle vertiefende Fragen
Skizzen und Formeln aufschreiben ist möglich.
Mindeststandard
den groben Ablauf eines Projektes zum maschinellen Lernen oder zum wissenschaftlichen Rechnen beschreiben können
Besprochene Verfahren erläutern grob können
Prüfungstyp
Fragen von verschiedenem Schwierigkeitsgrad und zu unterschiedlichen Aspekten der Lehrveranstaltung (Ablauf eines Projektes, Performanzmaße, Datenschutz etc.)
punktuelle vertiefende Fragen
Skizzen und Formeln aufschreiben ist möglich.

Lernziele
Kenntnisse
Approximationsverfahren
Metamodellierung
Regressionsverfahren

Multikriterielle Optimierung
Formulierung
Paretofront
Algorithmen
Visualisierung

Fortgeschrittene Clusteranalyse

Assoziationsanalyse

Ausreißererkennung

Fortgeschrittene Klassifikationsverfahren

evtl. Texterkennung, Web Mining, Zeitreihenanalyse
Fertigkeiten
Zu Anwendungsaufgaben passende mathematische Verfahren kennen, diese über numerische Methoden und geschickte Implementierung in laufzeit- und speicherplatzoptimierte Programme umsetzen
Approximationsverfahren kennen und für eine Aufgabenstellung passendes Verfahren auswählen und anwenden
Anwendungsaufgabe als multikriterielle Optimierungsaufgabe formulieren und in einem Programm lösen können
Methoden des maschinellen Lernens kennen, passendes Verfahren auswählen und anwenden
Aufwand Präsenzlehre
Typ Präsenzzeit (h/Wo.)
Vorlesung 2
Übungen (ganzer Kurs) 2
Übungen (geteilter Kurs) 0
Tutorium (freiwillig) 0
Besondere Literatur
Data Mining - The Textbook, C.C. Aggarwal, Springer Verlag, ISBN 978-3-319-14141-1
Strukturoptimierung, L. Harzheim, Harri Deutsch Verlag, ISBN 978-3-8085-5659-7
Besondere Voraussetzungen
keine
Begleitmaterial
Vortragsfolien zur Vorlesung (elektronisch)
evtl. Tutorials, Lehrvideos oder Links hierzu
Praktikumsaufgabe, z.T. mit Datensätzen und Literatur
Separate Prüfung
keine

Lernziele
Fertigkeiten
Anwendung und Programmierung von Verfahren der Approximation, der multikriteriellen Optimierung oder des maschinellen Lernens
numerische Verfahren effizient implementieren
Algorithmen hinsichtlich ihrer Komplexität bewerten
Aufwand Präsenzlehre
Typ Präsenzzeit (h/Wo.)
Praktikum 1
Tutorium (freiwillig) 0
Besondere Literatur
keine/none
Besondere Voraussetzungen
keine
Begleitmaterial
Elektronische Aufgabenbeschreibung
Beispielprogramme
Elektronische Tutorials für Selbststudium
Separate Prüfung
keine

Impressum
Datenschutzhinweis
Haftungshinweis
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME

© 2022 Technische Hochschule Köln