Studiengang

Master Wirtschaftsingenieurwesen - Digitale Wirtschaft (M.Sc.)

Wahlpflichtmodul
Prüfungsordnungen: ab WS 19/20 (ITM / MuT / GE)
Semester: 1

Master Automatisierungstechnik (M.Sc.)

Pflichtmodul
Prüfungsordnungen: ab WS 20/21
Semester: 1

Masterstudiengang WDW, Wahlpflichtmodul, PO 2019

Masterstudiengang AT, Pflichtmodul, PO 2020

Verwendbarkeit:

WDW PO 2019, AT PO 2020, MES

4 SWS

Für die Lehrveranstaltung kommen gezielt die Lehrformen Vorlesung im seminaristischen Stil, mit Tafelanschrieb und Projektion, Bearbeitung von Programmieraufgaben am Rechner in Einzel- oder Teamarbeit, jeweils unmittelbare Rückkopplung und Erfolgskontrolle zu Übungen, zum Einsatz

Voraussetzungen sind Empfehlungen:

Kenntnisse in linearer Algebra, Analysis und Statistik, Grundlegende Programmierkenntnisse.

Wissen

• Die Studierenden kennen die Grundbegriffe und ausgewählte Verfahren des Data Minings, des maschinellen Lernens sowie der explorativen Datenanalyse.
• Sie haben die Konzepte dahinterliegender Algorithmen verstanden.
• Sie kennen wichtige Schritte zur automatischen Vorverarbeitung und Analyse strukturierter Daten.
• Sie kennen Vorgehensweisen und Maße zur Validierung von maschinell gelerntem Wissen bzw. Modellen.
• Sie kennen Software-Tools für das Maschinelle Lernen an Beispielen.

Fertigkeiten

• Die Studierenden können mittels Grundbegriffen des maschinellen Lernens kommunizieren.
• Sie können intelligente Systeme planen und entwickeln.
• Die Studierenden sind in der Lage, grundlegende Methoden und Algorithmen des maschinellen Lernens sicher auf unterschiedlichste Probleme und Daten anzuwenden. Dies umfasst Methoden zur Klassifikation, Regression, Dimensionsreduktion und Clustering.
• Es werden Fähigkeiten erlernt, diese Algorithmen in Python oder Matlab zu implementieren und anzuwenden.
• Zudem werden die Studierenden in der Lage sein, verschiedenste Daten und Ergebnisse zu visualisieren, zu interpretieren und zu validieren.

Personale Kompetenz

• Erweiterung des Wissens sowie Förderung ganzheitlicher Denk- und Arbeitsweisen aufgrund der Integration unterschiedlicher Kenntnisse (Anforderungen) und Aspekte im Rahmen des maschinellen Lernens.
• Steigerung analytischer Fähigkeiten aufgrund dezidierter Durchdringungen von Problemstellungen sowie der Erarbeitung anforderungsgerechter Lösungen.
• Steigerung planerischer Fähigkeiten durch die ganzheitliche Erfassung aller relevanten Aspekte des maschinellen Lernens.
• Förderung der Entscheidungskompetenz.
• Verbesserung der Präsentations- und Teamfähigkeit.

Vorlesung

• Skripting in Python/Matlab

1. Datenanalyse
2. Grundlegende Bedienung Dateineingabe und –ausgabe, Graphiken
3. Verwendung von Programmbibliotheken

• Grundlagen des Maschinellen Lernens
• Data Preprocessing (Vorverarbeitung, Merkmale)
• Grundlegende Verfahren zur Erkennung einfacher Muster

1. Entscheidungsbäume o Bayes Classifier,
2. Support Vector Machines,
3. verschiedene Modelle überwachter und unüberwachter Neuronaler Netzwerke

• Erkennung komplexer Musterfolgen und strukturierter Muster.
• Kombination von Klassifikatoren.
• Deep Learning Ansätze

Bishop: Pattern Recognition and Machine Learning. Springer (2006)

Murphy: Machine Learning: A Probabilistic Perspective. MIT Press (2012)

Frochte, Jörg: Maschinelles Lernen, Hanser (2019)

North, Matthew: Data Mining for the Masses, Global Text (2012)

Abu-Mostafa: Learning from Data - A short course. Bilingual Books, (2012)

Witten et al.: Data Mining: Practical machine learning tools and techniques.

Elsevier (2017) Raschka, Mirjalili: Python Machine Learning, Packt Publishing, (2017) – Übersetzung von Knut Lorenzen: Machine Learning mit Python und Scikit-learn und TensorFlow:das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics, MITP, (2018)

Sutton, Barto: Reinforcement Learning – An Introduction, MIT Press, (2018)

Aktuelle Literatur in Form von wissenschaftlichen Veröffentlichungen wird während der Vorlesung bekannt gegeben.