Modulhandbuch Geodatentechnologie
Studien- und Prüfungsordnung 2021
Maschinelles Lernen
Modulprofil
Studiengang
Modul-Nr./Code, Modulbezeichnung
6021702, Maschinelles Lernen
SWS
4 SWS
Moduldauer
1 Semester
Turnus
nur Wintersemester
ECTS-Credits
5 Credits
Art des Moduls
Pflichtmodul
Lehrsprache(n)
Deutsch, Englisch
Prüfungssprache(n)
Deutsch, Englisch
Studienformen des Moduls
- Vollzeit
Lehrveranstaltungen des Moduls
Bezeichnung | Art der Lehrveranstaltung | SWS | Links |
---|---|---|---|
Maschinelles Lernen |
Seminaristischer Unterricht
Übung |
k. A. | k. A. |
Workload
Gesamtworkload
150 h
Präsenzzeit
60 h
Selbststudium
90 h
Organisation und Prüfung
Lehr- und Lernmethoden
Seminaristischer Unterricht, Übung
Verwendbarkeit
Projektseminar 1
Masterseminar
Masterarbeit
Studiensemester
1. Semester
Voraussetzung für Erhalt von ECTS-Credits
- sonstige Prüfung
Teilnahmevoraussetzungen (für Modul)
keine
Lehr- und Lernmethoden
Seminaristischer Unterricht, Übung
Verwendbarkeit
Projektseminar 1
Masterseminar
Masterarbeit
Studiensemester
1. Semester
Voraussetzung für Erhalt von ECTS-Credits
- sonstige Prüfung
Teilnahmevoraussetzungen (für Modul)
keine
Inhalte, Lernergebnisse und Literatur
Modulinhalte
- Begriffe des maschinellen Lernens
- Aufbereiten und Visualisieren von Daten
- Auswahl und Training von ML-Modellen
- Validieren von ML-Modellen
- Big Data
- Parametrische und Nichtparametrische Methoden
- Fuzzy Logic, Entscheidungsbäume
- Lineare Diskriminanz, Entscheidbarkeit, Support Vector Machines
- Neuronale Netzwerke
- Dimensionalitätsreduktion des Merkmalsraumes
- Deep Learning für Bild- und Attributdaten
Lernergebnisse
Nach der Teilnahme an dem Modul haben die Studierenden ein Verständnis für verschiedene Verfahren des maschinellen Lernens, der Bedeutung der Datenqualität und dem Pro und Contra der einzelnen Ansätze. Insbesondere wird auch auf Anwendungen an räumlichen Daten eingegangen, um ein Verständnis für die Besonderheiten dieser Daten zu erlernen.
Literatur und weitere Lernangebote
James, G.; Witten, D.; Hastie, T.; Tibshirani, R.: An Introduction to Statistical Learning with Applications in R, New York Springer, 2013
Chollet, R.: Deep Learning with Python, New York, NY: Manning Publications, 2017
Guido, S.: Introductin to Machine Learning with Python: A Guide for Data Scientists, O’Reilly, 2016
Modulinhalte
- Begriffe des maschinellen Lernens
- Aufbereiten und Visualisieren von Daten
- Auswahl und Training von ML-Modellen
- Validieren von ML-Modellen
- Big Data
- Parametrische und Nichtparametrische Methoden
- Fuzzy Logic, Entscheidungsbäume
- Lineare Diskriminanz, Entscheidbarkeit, Support Vector Machines
- Neuronale Netzwerke
- Dimensionalitätsreduktion des Merkmalsraumes
- Deep Learning für Bild- und Attributdaten
Lernergebnisse
Nach der Teilnahme an dem Modul haben die Studierenden ein Verständnis für verschiedene Verfahren des maschinellen Lernens, der Bedeutung der Datenqualität und dem Pro und Contra der einzelnen Ansätze. Insbesondere wird auch auf Anwendungen an räumlichen Daten eingegangen, um ein Verständnis für die Besonderheiten dieser Daten zu erlernen.
Literatur und weitere Lernangebote
James, G.; Witten, D.; Hastie, T.; Tibshirani, R.: An Introduction to Statistical Learning with Applications in R, New York Springer, 2013
Chollet, R.: Deep Learning with Python, New York, NY: Manning Publications, 2017
Guido, S.: Introductin to Machine Learning with Python: A Guide for Data Scientists, O’Reilly, 2016