In dieser Lehrveranstaltung werden Kenntnisse über die Funktionsweise verschiedener Verfahren aus dem Bereich des maschinellen Lernens vermittelt. Darüber hinaus werden ihre vielfältigen Einsatzmöglichkeiten sowie die Herausforderungen bei ihrer Anwendung an realen Praxisbeispielen verdeutlicht.
Die Schwerpunkte der Lehrveranstaltung sind:
- Supervised Learning (z.B. Lineare Regression, Logistische Regression, künstliche neuronale Netze, Entscheidungsbaum)
- Unsupervised Learning (z.B. Clustering und Feature Engineering)
- Reinforcement Learning (Q-Learning)
- Machine Learning Prozess: Vorverarbeitung, Datenbereinigung, Analyse, Evaluierung
- Anwendung von Machine Learning auf verschiedenen Daten, z.B. Bilder und Zeitreihen
Im Rahmen der Übungen werden teilnehmende Studierende lernen, die Verfahren in der Programmiersprache Python anzuwenden und umzusetzen.
- Dozent*in: Christian Bitter
- Dozent*in: Tobias Meisen
- Dozent*in: Jannik Rolf Peters
- Dozent*in: Hasan Tercan