Diese Website verwendet nur technisch notwendige Cookies. In der Datenschutzerklärung können Sie mehr dazu erfahren.

Zum Hauptinhalt springen
Logo, Startseite der Hochschule der Medien
Veranstaltungsbeschreibung

143902a R for Machine Learning

Zuletzt geändert:11.03.2024 / 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.

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 zur Dimensionsreduktion
  • Choice-Based-Conjoint-Analyse
  • Deep-Learning Konzepte
  • (Support Vector Machine)

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.