Leichte Sprache
Gebärdensprache
Advanced Machine Learning
Programm
Data Science
Abschluss
Einzelzertifikat
Modulnummer
30200
Themenbereich
Data Analytics, Vertiefungsstudium, Artificial Intelligence
Leistungpunkte
5
Sprache
deutsch/englisch
Dozent
Prof. Dr. Andreas Knoblauch
Gebühren
1215 €
Dauer
6 Wochen
Onlineanteil
100%
Modulbeginn
2. Termin: 17.11.2025 - 18.01.2026
Inhalte des Moduls Advanced Machine Learning
Aufbauend auf den Modulen "Machine Learning" und "Decision Support" vermittelt die Vorlesung Advanced Machine Learning einen tieferen Einblick in die Methoden des maschinellen Lernens und deren Anwendungen. Konkrete Inhalte sind dabei unter anderem:
- Allgemeiner Backpropagation Algorithmus
- Convolutional Neural Networks und Deep Learning
- Recurrent Neural Networks und LSTM
- Kernel Methoden und Support Vector Machines
- Reinforcement Learning und Deep Q-Learning
- Graphical Probabilistic Models
- Lernen Probabilistischer Modelle und Expectation Maximization
- Modellkombination
- Lernen von Verhaltensmodelle
- Implementierung/Anwendung ausgewählter Methoden mit Python, Numpy, Scikit-learn, Tensorflow, Kera
Nach Abschluss dieses Moduls sind Sie in der Lage, maschinelles Lernen und weitere Begrifflichkeiten entsprechender Teilgebiete und verwandter Fachbereiche zu deuten, zu interpretieren und entsprechend einzuordnen. Überdies werden Ihnen unterschiedliche Methoden und Verfahren des überwachten maschinellen Lernens vermittelt, welche Sie qualifiziert beurteilen und im Kontext praktischer Anwendungs- bzw. Problemfälle mithilfe geeigneter Techniken auswählen, (in Python) implementieren und anwenden können.
Ansprechpartner
Studiengangsassistentin Data Science
Institut für Wissenschaftliche Weiterbildung
Studiendekan Data Science
Lernergebnisse, Kompetenzen
Die Studierenden
- kennen wesentliche Begriffe des Maschinellen Lernens.
- kennen fortgeschrittene Verfahren und Techniken für das Maschinelle Lernen.
- kennen fortgeschrittene Aufgabenstellungen aus dem Themengebiet von Maschinellem Lernen.
Das Modul vermittelt einen systematischen vereinheitlichenden Überblick über Methoden des maschinellen Lernens und deren Anwendungsmöglichkeiten. Nach Abschluss dieses Moduls soll der/die Studierende die wichtigsten Methoden kennen und verstehen, sowie in der Lage sein - je nach Problemstellung - geeignete Verfahren des Maschinellen Lernens auszuwählen, anzuwenden und zu evaluieren.
Die Studierenden
- sind in der Lage fortgeschrittene Problem- und Aufgabenstellungen mit Bezug auf das Themengebiet Machine Learning zu erkennen, diese, basierend auf eigenem Wissen und durch die gezielte Recherche zu beschreiben, Lösungsansätze zu entwickeln und diese allein oder im Team umzusetzen.
- sind in der Lage, eine anwendungsbezogene Evaluation von fortgeschrittenen Verfahren und Methoden des Maschinellen Lernens sowie von den diese Verfahren implementierenden Systemen auszuführen, und darauf basierend eine zielgerechte Auswahl zu treffen.
- sind in der Lage wissenschaftliche Beiträge im Themenbereich Machine Learning eigenständig zu lesen und qualitative Vergleiche der gelesenen Beiträge systematisch zu präsentieren.
Die Studierenden können im Rahmen einer eigenständigen Arbeit neue Ansätze für eine Problemstellung im Bereich Machine Learning entwickeln und diese im Team umsetzen.
Die Studierenden sind in der Lage komplexe Aufgaben im Bereich Maschinelles Lernen verantwortungsvoll zu erfüllen, realistische Ziele zu definieren und diese konsequent zu verfolgen.
Teilnahmevoraussetzung
Grundlegendes Mathematisches Verständnis in Analysis (Ableitungen, Integration, Gleichungsumformung, usw).
Prüfungsform
Klausur (60 Minuten)