Module

PDF-Export
General information
Einführung in maschinelles Lernen und Deep Learning
Introduction to Machine Learning and Deep Learning
BI117
MaschLern-01-BA-M
Prof. Dr. Meyer, Carsten (carsten.meyer@haw-kiel.de)
Prof. Dr. Meyer, Carsten (carsten.meyer@haw-kiel.de)
Wintersemester 2019/20
1 Semester
Deutsch
Curricular relevance (according to examination regulations)
Study Subject Study Specialization Study Focus Module type Semester
B.Eng. - Me (PO 2023) - Mechatronik (PO 2023, V4) Wahlmodul
B.Sc. - INI - Informationstechnologie (PO 2017, V1) Medieninformatik Wahlmodul
B.Eng. - Wing - Wirtschaftsingenieurwesen - Elektrotechnik (PO 2017, V1) Kommunikationstechnik Wahlmodul
B.Eng. - E - Elektrotechnik (PO 2017, V3) Kommunikationstechnik und Embedded Systems Wahlmodul
B.Eng. - Wing - Wirtschaftsingenieurwesen - Elektrotechnik (PO 2017, V1) Digitale Wirtschaft Wahlmodul
B.Eng. - E - Elektrotechnik (PO 2017, V3) Technische Informatik Wahlmodul
B.Eng. - E - Elektrotechnik (PO 2017, V3) Elektrische Energietechnik Wahlmodul
B.Sc. - INI - Informationstechnologie (PO 2017, V1) Angewandte Informatik Wahlmodul
B.Eng. - Ming - Medieningenieur/-in (PO 2018, V1 + PO 2021, V2) Wahlmodul
Qualification outcome
Areas of Competence: Knowledge and Understanding; Use, application and generation of knowledge; Communication and cooperation; Scientific self-understanding / professionalism.
Die Studierenden kennen
- Grundbegriffe sowie grundlegende Konzepte und Algorithmen des maschinellen Lernens und Deep Learnings,
- Einsatzmöglichkeiten und Grenzen der vorgestellten Verfahren.
Die Studierenden können
- die besprochenen Verfahren im Rahmen des Labors auf einfache Beispielprobleme anwenden,
- beurteilen, ob die besprochenen Verfahren auf ein gegebenes Problem aus der Praxis angewendet werden kann und - im positiven Fall - das Verfahren auf das Problem anwenden
Die Studierenden
- können die durchgeführten Experimente analytisch auswerten und die Ergebnisse schriftlich und mündlich darlegen,
- können die Anwendbarkeit der besprochenen Algorithmen auf Probleme aus der Praxis argumentativ begründen und vergleichen,
- können innerhalb einer Fachdiskussion theoretisch und methodisch fundierte Argumentationen aufbauen
- können wichtige Grundbegriffe des maschinellen Lernens und Deep Learnings erläutern
Die Studierenden
- können selbständig und in Teams die gestellten Aufgaben bearbeiten,
- die erlernten Lösungsstrategien auf weitere Probleme aus der Praxis anwenden
Content information
Die zunehmende Menge an verfügbaren digitalen Daten – etwa in der medizinischen und industriellen Bildverarbeitung, der Sprach- und Textverarbeitung – erfordern immer stärker die Entwicklung intelligenter Algorithmen, die die Daten klassifizieren, kategorisieren und interpretieren können. Maschinelles Lernen, insbesondere „Deep Learning“, spielt dabei eine zentrale Rolle. Dieser Kurs bietet eine Einführung in die grundlegenden Konzepte des maschinellen Lernens und des Deep Learnings (speziell faltende neuronale Netzwerke), die an praktischen Beispielen (Ziffernerkennung, Textklassifikation) entwickelt und erläutert werden. Ziel ist die möglichst anschauliche Vermittlung von methodischem Grundlagenwissen und praktischen Erfahrungen an den konkreten Beispielen. Die Teilnehmer sollen dadurch in die Lage versetzt werden, die gelehrten Konzepte selbständig auf vergleichbare Problemstellungen anzuwenden.

Themenauswahl:
• Vorverarbeitung und Merkmalsextraktion
• Einfache Klassifizierer (z.B. Minimum-Distance Klassifizierer)
• Probabilistische Klassifizierer
• Mehrschichten-Perzeptrons und faltende neuronale Netzwerke
• Überwachtes Lernen
• Unüberwachtes Lernen / Clustering
• Möglichkeiten und Grenzen des maschinellen Lernens
• R. Duda et al., “Pattern classification”, Wiley, 2001
• E. Alpaydin, “Introduction to Machine Learning”, MIT Press, 2010
• S. Marsland, “Machine Learning: An Algorithmic Perspective”, CRC Press, 2009
• C. M. Bishop, “Pattern recognition and Machine learning”, Springer, 2006
• S. Haykin, “Neural networks and learning machines”, Prentice Hall, 2008
• Michael Nielsen: “Neural networks and deep learning”, online, 2016
(weitere Literatur in der Vorlesung)
Teaching formats of the courses
Teaching format SWS
Labor 2
Lehrvortrag 2
Workload
4 SWS
5,0 Credits
48 Hours
102 Hours
Module Examination
Method of Examination Duration Weighting wird angerechnet gem. § 11 Absatz 2 PVO Graded Remark
Klausur 120 Minutes 100 %
Übung 0 %
Miscellaneous
- Interesse für maschinelles Lernen und Deep Learning
- ausgeprägte konzeptionelle und analytische Fähigkeiten
- mathematische Kenntnisse und Interessen wünschens- bis empfehlenswert (insbesondere Statistik, Lineare Algebra, Analysis)
- Programmierkenntnisse wünschens- bis empfehlenswert, insbesondere Python (letzteres ist aber keine absolute Voraussetzung)
PDF-Export