Zurück zur Übersicht

INFB  P: Maschinelles Lernen in der Praxis SG INF
Dozent : Prof. Dr. Georg Merz   
Semester 5
Einordnung : Bachelor Informatik, Projekt SWS 4
Sprache : Deutsch Art L
Prüfungsart : SL  Credits 7 
Prüfungsform : Belegarbeit mit mdl. Prüfungsgespräch 
Voraussetzungen :
Querverweise :  
Vorkenntnisse :  
Hilfsmittel und Besonderheiten :  
Lehrziele : * Verständnis der Grundlagen des maschinellen Lernens und der zugehörigen Algorithmen und Methoden.
* Fähigkeit, reale Datensätze zu beschaffen, zu explorieren und aufzubereiten.
* Kompetenz im Feature-Engineering, einschließlich Feature-Extraktion, -Auswahl und -Transformation.
* Kenntnis der verschiedenen Evaluierungsmetriken und Fähigkeit, die Leistung von Vorhersagemodellen zu bewerten.
* Erfahrung im Trainieren, Validieren und Optimieren von Modellen des maschinellen Lernens.
* Fähigkeit zur Teamarbeit und Zusammenarbeit in einem Data Science Projekt.
* Präsentationsfähigkeiten und die Fähigkeit, Projektergebnisse klar und überzeugend zu kommunizieren. 
Lehrinhalte :

Ziel dieser Lehrveranstaltung ist es, die Studierenden in die Lage zu versetzen, an einer Kaggle Challenge teilzunehmen und ein Ergebnis einzureichen.
Um dies zu erreichen, werden mehrere praktische Übungen zum Thema Maschinelles Lernen durchgeführt. Dabei werden folgende Themen gemeinsam erarbeitet und diskutiert:

* Überblick über die wichtigsten Methoden des Maschinellen Lernens mit SciKit Learn
* Struktur eines Machine-Learning-Projekts
* Methoden der Datenanalyse (Korrelationen, Verteilungen)
* Vorverarbeitung von Datensätzen
* Feature-Engineering
* Evaluierung von Modellen
* Machine-Learning-Projekte präsentieren

Themen der Projekte:
Vorhersagemodell für einen Fahrradverleih, Analyse von Twitter und ein aktuelles Kaggle-Projekt.

Die Prüfungsleistung besteht aus 3 Projekten zu unterschiedlichen Themen, die jeweils im Plenum präsentiert werden.

Am Ende ist ein Abschlussbericht zu verfassen, der nur das 3. Projekt zusammenfasst. 

Literatur :  

Zurück zur Übersicht