143902a R for Machine Learning

Zuletzt geändert:	10.04.2025 / Kretzschmar
EDV-Nr:	143902a
Studiengänge:	Computer Science and Media (Master), Prüfungsleistung im Modul R for Machine Learning in Semester 1 2 3 Häufigkeit: nur WS
Dozent:
Sprache:	Deutsch
Art:	-
Umfang:	3 SWS
ECTS-Punkte:	5
Workload:	Veranstaltung: 15 Termine zu je 3 SWS = 33,75 Zeitstunden Vor- bzw. Nachbereitung: 15 Termine zu je 10,33 SWS = 116,25 Zeitstunden Gesamter Zeitaufwand (Workload) = 150 Zeitstunden Turnus: nur WS Die Teilnehmerzahl ist begrenzt
Inhaltliche Verbindung zu anderen Lehrveranstaltungen im Modul:	Die Veranstaltung baut auf die mathematischen Konzepte der Veranstaltung "143104 Machine Learning" auf.
Prüfungsform:
Bemerkung zur Veranstaltung:	Das bestandene Modul 143104 wird vorausgesetzt.
Beschreibung:	Die Studierenden müssen anhand konkreter Fallbeispiele Aufgaben im Kontext der Inhalte der Lehrveranstaltung lösen (als Jupyter Notebooks), welche dann in der Vorlesung besprochen werden. Die dann abgegebenen Notebooks bilden die wesentliche Grundlage der Prüfungsleistung (weitere Abstimmung dann in der Vorlesung selbst). Ergänzend werden die wichtigsten theoretischen Konzepte der Use-Cases (siehe nachfolgend) in der Lehrveranstaltung erklärt. Schwerpunkt liegt in der Anwendung maschineller Verfahren mit Hilfe von R an konkreten Use-Cases aus meinen Bereichen IT-Product- und IT-Project-Management, sowie Digital Analytics. Die Übertragung der erlernten Konzepte und Vorgehensweisen auf andere Domänen-Bereiche ist natürlich gegeben. Die Schwerpunkte selbst, werden jeweils gemeinsam bestimmt: Diese könnten sich zum Beispiel eher auf das traditionelle Machine Learning konzentrieren und/oder auf Deep-Learning-Technologien und/oder auf Gradient-Boosting-/Ensemble-Techniken und/oder auf LLMs (chatGPT etc.) und/oder Diffusions-Modelle (StableFusion etc.) liegen bzw. zusammengesetzt sein. Einführung in R Datentypen Import/Export Visualisierungsmöglichkeiten Programmierungskonzepte Datenmanipulation Statistische Basisfunktionen Maschinelles Lernen Systematischer Prozess Modell Evaluation Feature Engineering Verfahren des Maschinellen Lernens Lineare und Nicht-lineare Regressionsverfahren Gradient Descent Verfahren Logistische Regression und LDA/QDA-Verfahren Resampling- und Regularisierungstechniken Tree Verfahren inkl. Bagging und Boosting Vergleich und Tuning von Modellen Clustering Verfahren Faktorenanalysen und Autoencoder zur Dimensionsreduktion Choice-Based-Conjoint-Analyse Deep-Learning Konzepte Generative KI mit LLMs, VAEs, GANs, Diffusions-Modelle
Literatur:	Allaire J., Chollet F.: Deep Learning with R, Manning, 2018 Backhaus K., Erichson B.E., Plinke W., Weiber R.: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, Springer-Verlag, 13.Auflage, 2010 Backhaus K., Erichson B.E., Weiber R.: Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, Springer-Gabler, 2.Auflage, 2013 Bärtl M.: Statistik Schritt für Schritt, Independently published, 2017, Online Youtube: https://www.youtube.com/channel/UCtBEklAtHHji2V1TsaTzZXw Chapman C.N., McDonnell Feit E.: R for Marketing Research and Analytics, Springer, 2015 Goodfellow I., Bengio Y., Courville A.: Deep Learning, The MIT Press, 2017 Hastie T., James G., Witten D., Tibshirani R.: An Introduction to Statistical Learning, Springer, 2017, Online: http://www-bcf.usc.edu/~gareth/ISL/index.html Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Springer, 2017, Online: https://web.stanford.edu/~hastie/ElemStatLearn/ Kuhn M., Johnson K.: Applied Predictive Modeling, Springer, 1st ed. 2013, 2st ed. 2018 Wickham H.: Advanced R, CRC Press Inc, 2019, Online: http://adv-r.had.co.nz Wickham H., Grolemund G.: R for Data Science, O'Reilly, 2017, Online: https://r4ds.had.co.nz Wollschläger D.: Grundlagen der Datenanalyse mit R, Springer Spektrum, 2017 Zheng A., Casari A.: Feature Engineering for Machine Learning Models: Principles and Techniques for Data Scientists, O'Reilly, 2018 ... weitere siehe Vorlesungsskript Weitere Literatur finden Sie in der HdM-Bibliothek.