Machine Learning for Data Science

Machine Learning for Data Science

Überblick

Beschreibung

• Supervised Learning Algorithms
• Model Selection
• Unsupervised Learning Algorithms
• Deep Neural network architectures for data science
• Self-supervised learning and foundation models
• Uses and limitations of ML in data science projects

Qualifikationsziele

Nach erfolgreichem Abschluss dieses Moduls sollten die Studierenden in der Lage sein

• grundlegende Konzepte des Entwurfs von Algorithmen des maschinellen Lernens zu verstehen und korrekt anzuwenden,
• elementare Werkzeuge zur Analyse der Leistung von maschinellen Lernverfahren zu beherrschen,
• die am besten geeigneten ML-Ansätze für eine bestimmte Anwendung zu identifizieren.

Püfung

• 1 Prüfungsleistung: Klausur, 90 Minuten oder mündliche Prüfung, 30 Minuten oder Take-Home-Exam
• 1 Studienleistung: 50% der Hausaufgaben müssen bestanden sein

Literatur

• Machine Learning, A Probabilistic Perspective, Murphy, 2012
• Deep Learning, Goodfellow et al., 2016
• Mathematics for Machine Learning, Deisenroth et al., 2020

Voraussetzungen

Die Vorlesungen und Übungen verlangen gute Kenntnisse in den Bachelor-Kursen „Lineare Algebra“ und „Analysis“, und ein Hintergrundwissen über Wahrscheinlichkeitstheorie und die Programmiersprache Python wird empfohlen.