Skip to main content
Skip to search

Modulbeschreibung - Artificial Intelligence & Machine Learning

Nummer
aiml
ECTS 3.0
Anspruchsniveau advanced
Inhaltsübersicht Artificial Intelligence- und Machine Learning-Methoden ermöglichen die systematische Nutzung von Daten. Dabei umfasst Artificial Intelligence ein sehr weites Feld von Methoden, welche allgemein künstliches zielgerichtetes Verhalten, meist von Agenten oder Maschinen, ermöglichen und Gebiete wie Natural Language Processing, Robotik, Mustererkennung etc miteinschliesst. Hier bietet die Vorlesung einen Überblick.
Machine Learning ist ein Teilgebiet von Artificial Intelligence, in welchem mittels Computer-Algorithmen Daten analysiert und zur Vorhersage nutzbar gemacht werden. Dies ist eine Schlüssel-Kompetenz zur Bewältigung der wachsenden Datenmengen. Anwendungsbeispiele aus der Praxis sind die Detektion von Kreditkartenbetrug, die Diagnose von Krankheitsbildern oder die Optimierung von industriellen Prozessen.
Machine Learning gliedert sich in Teilgebiete, von welchen im Unterricht die wichtigen grundlegenden Konzepte sowie jeweils ein repräsentatives Set von Methoden vermittelt werden:
    Supervised Learning:
  • Regression : lineare Regression (mit Regularisierung)
  • Klassifikation : logistische Regression, Support Vector Machines, Klassifikationsbäume
  • Neuronale Netzwerke: MLP für Klassifikation und Regression.

    Unsupervised Learning:
  • Clustering: KNN, Gaussian Mixture Model (EM)
  • Kompression: PCA, NMF

    Model Evaluation:
  • Bias-Variance-Zerlegung
  • Modell Metriken: Bestimmtheitsmass, RMSE, Accuracy, Recall, AUC etc.
  • Data Sampling Verfahren: Cross Validation, out-of-time testing
Lernziele Die Studierenden kennen die grundlegenden Methoden und Algorithmen und wenden diese an, um ausgehend von Daten mit Computer-Hilfe Vorhersagen zu machen, Muster zu erkennen und Entscheidungen zu fällen.
Die Studierenden sind in der Lage, Machine Learning-Algorithmen selber zu implementieren, zu validieren und die Resultate zu interpretieren. Dazu sind sie mit den zugrundeliegenden mathematischen Ideen vertraut.
Die Studierenden können Bibliotheken zu Machine Learning- und Optimierungen einsetzen.
Empfohlene Vorkenntnisse
  • Informatikgrundlagen (infgl)
  • Programmieren (prgm)
  • Mathematik Grundlagen (magl)
  • Statistik Grundlagen (stagl)
Leistungsbewertung Erfahrungsnote

Studium
Module
Diese Seite teilen:
LinkedIn E-Mail Drucken