Maschinelles Lernen (MLE)
6/7. Semester
5 ECTS | 4 SWS
Klausur 60 Minuten (K60)
Computer in die Schule schicken: Du trainierst Modelle, nutzt verschiedene Lernmethoden und entwickelst Anwendungen, die aus Daten eigenständig Muster erkennen.
Inhalte
- Optimierung
- Evolutionäre Algorithmen
- Reinforcement Learning
- Neuronale Netze
Lernziele/Kompetenzen
Die Studierenden sind in der Lage,
- grundlegende Optimierungsstrategien anzuwenden,
- Genetische Algorithmen zu erläutern,
- Genetische Programmierung zu implementieren und zu verstehen,
- Reinforcement Learning anzuwenden und
- künstliche Neuronale Netze zu erläutern.
Literatur
- Fischer, Jörn: Maschinelles Lernen für Dummies, Wiley CH, ISBN: 978-3527720552, 2024
- I. Goodfellow, Y.Bengio, A. Courville : Deep Learning, MIT Press, ISBN: 978-0262035613, 2016
- Russel, Stuard; Norvig, Peter: Künstliche Intelligenz. Prentice Hall, New Jersey, 1995
- Mitchell, Tom: Machine Learning. McGraw-Hill, 1997
- Zell, Andreas: Simulation Neuronaler Netze. Oldenbourg Verlag, München, 1997
- Sutton, Richard; Barto, Andrew G.: Reinforcement Learning. MIT Press, 1998
Dozentinnen / Dozenten
Empfohlene Vorkenntnisse
Daten zum Modul
| Semester |
6/7 |
| Unterrichtssprache |
Deutsch |
|
Häufigkeit
|
Wintersemester
|
| Kreditpunkte (CP)
|
5 |
| Modulverantwortlich |
Prof. Dr. Jörn Fischer |
| Dauer |
1 Semester |
|
Studienleistung
|
Keine |
|
Prüfungsvorleistung
|
Praktische Arbeit/Projektarbeit (PA) |
|
Prüfungsleistung
|
Klausur 60 Minuten (K60) |
Semesterwochenstunden (SWS)
| Vorlesung |
2 SWS |
| Übung |
2 SWS |
| Summe |
4 SWS |
Arbeitsaufwand (Workload)
| Vorlesung |
30 h |
| Selbststudium |
90 h |
| Aufgaben |
30 h |
| Summe |
150 h |