143902a R for Machine Learning
Zuletzt geändert: | 14.12.2022 / von Carlsburg |
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: | Prof. Dr.-Ing. Oliver Kretzschmar |
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 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: |
****** Wichtiger Hinweis zum
Wintersemester 2021 ***** Die Veranstaltung wird während der SARS-CoV-2-bedingten Beschränkungen entweder als Präsens- oder als synchroner Distance-Learning-Kurs angeboten. Dies wird noch bekannt gegeben. Der Online-Zugang wird voraussichtlich über Zoom erfolgen und ebenfalls noch genauer bekannt gegeben. Es gilt der Stundenplan laut Starplan. Falls oder wenn wir uns wieder in Hörsälen treffen dürfen, gilt der jeweils in Starplan angegebene Raum. ********************************************************************** Die Studierenden müssen anhand konkreter Fallbeispiele Aufgaben im Kontext der Inhalte der Lehrveranstaltung lösen (als Jupyter Notebooks), welche dann in der Vorlesung besprochen werden (ähnlich der PIA-Lehrveranstaltung von Johannes Maucher). 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. Einführung in R
Maschinelles Lernen
Feature Engineering Verfahren des Maschinellen Lernens
|
Literatur: |
... weitere siehe Vorlesungsskript Weitere Literatur finden Sie in der HdM-Bibliothek. |