143902a R for Machine Learning

Zuletzt geändert:	02.10.2024 / 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:	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 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 (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. 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.