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
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
Vermittelte Kompetenzen
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
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 | Vermittelte Kompetenzen |
| Komplexe Aufgaben selbständig bearbeiten | Vermittelte Kompetenzen |
| Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren | Vermittelte Kompetenzen |
| Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind | Vermittelte Kompetenzen |
| Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen | Vermittelte Kompetenzen |
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