Studiengangsübergreifende (Wahlpflicht-)Module und Kurse

Durch die zunehmende Digitalisierung im Alltag, im industriellem Umfeld und in der Forschung stehen mittlerweile große Datenmengen zur Verfügung. Diese enthalten oftmals implizites Wissen, das für die jeweilige Fachdomäne von großem Nutzen sein könnte. Die Aufbereitung großer Datenmengen und deren systematisches Studium gehört ebenso zum "Machine Learning (ML)" wie das Verständnis und der gezielte Einsatz von statistischen Methoden bzw. Lernalgorithmen zur Problemlösung. Mittels dieser Systematiken ist man bestrebt neue Erkenntnisse aus vorhandenen Daten zu gewinnen. Diese Erkenntnisse versucht man durch Modellbildung (Hypothese) zur Bewertung oder Vorhersage von Ereignissen einzusetzen. Darüber hinaus sind die Systeme in der Lage, ihre Eigenschaften durch neue Daten zu verbessern

In der Veranstaltung Machine Learning wird, beginnend bei den theoretischen Grundlagen, an Hand von Beispielen die Aufbereitung von Daten, die Bewertung der Daten, die Hypothesenbildung und die Beurteilung der Hypothesenqualität erarbeitet. Als Technologie werden Python (3.x), das Jupyter-Notebook und die üblichen Python-Libraries (pandas, numpy, mathplotlib, scipy, sk-learn, ...) zum Einsatz kommen. Die Teilnehmer werden von der ersten Stunde an praktische Aufgaben in Python lösen: teilweise werden Aufgaben zum Übungsbeginn besprochen. Zudem werden viele Übungen und Kurse über den Online-Anbieter DataCamp freigeschaltet. Dabei sind neben der Bereitschaft mathematische Methoden zu lernen, gute Kenntnisse der englischen Sprache notwendig, um die englischsprachigen Quellen zu verstehen sowie die DataCamp-Kurse absolvieren zu können. Wir werden gemeinsam "Rezepte" erarbeiten, die man auf ähnlich gelagerte Fälle übertragen kann. Der Fokus liegt dabei auf der Umsetzung. Theorie wird als Mittel zum Zweck eingesetzt.