BIN103: Machine Learning

Lernpfad Daten und Künstliche Intelligenz

BIN103: Machine Learning

Kurzporträt BIN103: Machine Learning
Worum geht es? Das Modul vermittelt Grundlagen des Machine Learning und deren praktische Umsetzung: Daten aufbereiten, Modelle auswählen, trainieren, evaluieren und Entscheidungen dokumentieren. Behandelt werden klassische Verfahren, einfache neuronale Netze und vortrainierte Modelle.
Wofür braucht man es? Die Kompetenzen werden für datengetriebene Software benötigt, die Muster erkennt, Vorhersagen trifft oder Entscheidungen unterstützt. Sie bilden eine Grundlage für KI-, Datenanalyse- und Projektaufgaben.
Wieso ist es interessant? Das Modul zeigt, wie entscheidend Datenqualität, Modellwahl und Evaluation für verlässliche Ergebnisse sind, und eröffnet so einen praktischen Zugang zu einem zentralen Feld der Informatik.
Modulverantwortung

Prof. Dr. Michael Gref

Lehrperson(en)

Prof. Dr. Michael Gref

Verwendbarkeit

Bachelor Informatik

Fächergruppe

Informatik

Modultyp
Pflicht
Sprache

Deutsch

Angebot

Sommersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

2 V | 1 Ü | 1 P | - S

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

Machine Learning

Empfohlene Voraussetzungen
  • BIN101: Data Engineering: SQL, Datenmodellierung, Datenpipelines.
  • BIN102: Datenanalyse & Statistik: Wahrscheinlichkeitsrechnung, Datenanalyse, Datenvisualisierung.
Lernergebnisse / Kompetenzen
WAS

Mit erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, für gegebene einfache bis mittelschwere datenbasierte Problemstellungen geeignete Machine-Learning-Lösungen als reproduzierbare Prototypen zu entwickeln und deren Leistungsfähigkeit, Grenzen und Einsatzvoraussetzungen fachlich begründet zu bewerten.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie

  • typische Machine-Learning-Aufgaben wie Klassifikation, Regression, Clustering und Dimensionsreduktion erkennen und geeigneten Lösungsansätzen zuordnen,
  • Daten für Machine-Learning-Verfahren untersuchen, bereinigen, transformieren und methodisch sinnvoll aufteilen,
  • Merkmale auswählen, erzeugen, kodieren und skalieren sowie Auswirkungen auf unterschiedliche Modellklassen begründen,
  • ausgewählte Verfahren des überwachten und unüberwachten Lernens anwenden, parametrisieren und vergleichen,
  • Modelle mithilfe geeigneter Gütemaße, Validierungsverfahren und Baselines evaluieren,
  • methodische Probleme wie Overfitting, Data Leakage, unausgewogene Datensätze und mangelnde Generalisierbarkeit erkennen,
  • einfache neuronale Netze entwerfen, trainieren und evaluieren,
  • Machine-Learning-Workflows mit geeigneten Entwicklungsumgebungen und Bibliotheken praktisch umsetzen und dokumentieren.
WOZU

Die Studierenden nutzen diese Kompetenzen, um datengetriebene Funktionen in Software- und Anwendungssystemen fundiert umzusetzen, ihre Ergebnisse kritisch zu bewerten und den sinnvollen Einsatz von Machine Learning in berufspraktischen Informatik-Kontexten fachlich begründen zu können.

Inhalte
  • Einordnung von Machine Learning in datengetriebene KI-Anwendungen
  • Typische Aufgabenstellungen wie Klassifikation, Regression, Clustering und Dimensionsreduktion
  • Machine-Learning-Pipeline von Problemformulierung bis Dokumentation
  • Datenaufbereitung und Feature Engineering
  • Überwachtes Lernen mit ausgewählten linearen und nichtlinearen Verfahren
  • Ensemble-Methoden und weitere Modellfamilien
  • Unüberwachtes Lernen und Dimensionsanalyse
  • Modelltraining, Modellauswahl und Modellvergleich
  • Evaluation, Interpretierbarkeit und Fehleranalyse
  • Grundlagen und Training einfacher neuronaler Netze
  • Praktisches Training, Testen und Evaluieren einfacher Modelle
  • Einordnung ausgewählter Deep-Learning-Architekturen und vortrainierter Modelle
Prüfungsvorleistung

Testat durch erfolgreiche Bearbeitung semesterbegleitender Aufgaben zur praktischen Anwendung von Machine-Learning-Verfahren.

Prüfungsleistung

Computergestützte Klausurarbeit (120 Minuten). Das Prüfungskonzept kann theoretische, analytische und praktische Aufgaben umfassen, bei denen Studierende Machine-Learning-Problemstellungen einordnen, Verfahren auswählen, Modelle anwenden oder implementieren, Ergebnisse interpretieren und methodische Entscheidungen begründen.

Literatur
  • Aurelien Geron: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition, O’Reilly Media, 2022.
  • Christopher M. Bishop: Pattern Recognition and Machine Learning. Springer, 2006.
  • Kevin P. Murphy: Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning. MIT Press, 2016.
  • Sebastian Raschka, Vahid Mirjalili: Python Machine Learning. 3rd Edition, Packt Publishing, 2019.