Machine Learning for Data Science
| Machine Learning for Data Science | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Organisationseinheit Freie Universität Berlin/Mathematik und Informatik/Informatik |
|||||||||||
Bereich
|
|||||||||||
| Zugangsvoraussetzungen Keine |
|||||||||||
| Qualifikationsziele Die Studierenden haben Verständnis für grundlegende Anwendungen, Konzepte und Analysetechniken im Bereich des maschinellen Lernens für Data Science. Sie verstehen die Datenlage, Algorithmen und Modelle des Maschinellen Lernens. Sie sind in der Lage, zu komplexen Fragestellungen passende Algorithmen des Maschinellen Lernens auszuwählen, sie kennen die Stärken und Schwächen der Verfahren. Sie wissen, welche Ergebnisse aus den jeweiligen Daten abgeleitet werden können und können computergestützte Verfahren im Anwendungsfeld und im jeweiligen wissenschaftlichen Kontext angemessen durchführen und beurteilen. |
|||||||||||
| Inhalte Die Lehrveranstaltung bietet einen Überblick über die wesentlichen Methoden des Maschinellen Lernens und der verwendeten Algorithmen für verschiedene Problemklassen, insbesondere für überwachtes, unüberwachtes Lernen sowie für Reinforcement learning. Im ersten Teil der Lehrveranstaltung werden die gängigen Verfahren und Algorithmen für jede der drei Klassen von Lernverfahren behandelt, wobei auch die Durchführung von Experimenten und die Evaluation der Modelle betrachtet wird. Im zweiten Teil der Lehrveranstaltung werden fortgeschrittene Aspekte betrachtet, wie beispielsweise hoch-dimensionale oder nicht-stationäre Probleme, unzureichende Labels oder unbalancierte Klassenverteilung in den Ausgangsdaten. |
|||||||||||
| Lehr- und Lernformen | Aktive Teilnahme | ||||||||||
| Vorlesung 4 SWS Teilnahme empfohlen |
Nachbearbeitung der VL Inhalte und selbstständiges Erarbeiten von ergänzender Literatur Übungsaufgaben |
||||||||||
| Übung 2 SWS verpflichtete Teilnahme |
Nachbearbeitung der VL Inhalte und selbstständiges Erarbeiten von ergänzender Literatur Übungsaufgaben |
||||||||||
Aufwand
|
|||||||||||
| Modulprüfung Klausur (90 Minuten), die ggf. ganz oder teilweise in der Form des Antwort-Wahl-Verfahrens und auch in Form einer elektronischen Prüfungsleistung durchgeführt werden kann. |
|||||||||||
| Differenzierte Bewertung differenzierte Bewertung |
|||||||||||
| Modulsprache Englisch |
|||||||||||
| Arbeitsaufwand (Stunden) 300 |
|||||||||||
| Leistungspunkte (LP) 10 |
|||||||||||
| Dauer des Moduls Ein Semester |
|||||||||||
| Häufigkeit des Angebots Jedes Wintersemester |
|||||||||||
| Verwendbarkeit Masterstudiengang Data Science |
|||||||||||