Studiengang Informationswissenschaft (Bachelor of Science)
Wahlpflichtkatalog
Themenbereich: Wissensrepräsentation und Informationsarchitektur
| Modulbezeichnung | Grundlagen des Machine Learning (Machine Learning Fundamentals) |
|---|---|
| Belegnummer | 7626 |
| Studiengang / Verwendbarkeit | Bachelorstudiengang Informationswissenschaft |
| Modulverantwortliche(r) | Prof. Dr. Andreas Heß |
| Dozent(in) | Prof. Dr. Andreas Heß |
| Dauer | 1 |
| Credits | 5 CP |
| Prüfungsart | noch festzulegen |
| Sprache | Deutsch |
| Inhalt | • Definition lernender Systeme • Entscheidungsbäume • Naive Bayes-Klassifikator • Support Vector Machines • Unüberwachtes Lernen und Clustering • Ensemble Learning • Anwendungsbeispiel Textklassifikation • Ausblick auf Neuronale Netze |
| Angestrebte Lernergebnisse (Learning Outcome) |
• Funktionsweise von Machine Learning-Algorithmen und Empfehlungssystemen verstehen • Praktische Einsatzmöglichkeiten von lernenden Systemen und Data Mining kennen • Leistungsfähigkeit von lernenden Systemen und Data Mining-Systemen einschätzen und bewerten
|
| Niveaustufe / Level | Grundlegendes Niveau (basic level course) |
| Lehrform / SWS | Seminar (4 SWS) |
| Arbeitsaufwand / Workload | 128 Stunden |
| Units (Einheiten) | |
| Notwendige Voraussetzungen | |
| Empfohlene Voraussetzungen | Webskripting Information Retrieval |
| Häufigkeit des Angebots | Sommersemester |
| Anerkannte Module | Siehe § 19 ABPO |
| Medienformen | |
| Literatur | • Präsentation zur Vorlesung • Mitchell, T.: Machine Learning, McGraw-Hill, 1997 • Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow, 2nd Edition, 2020 • Alpaydin, E.: Introduction to Machine Learning, MIT Press, 2010 • Witten, E. et al.: Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2011
|
