ECTS Credits:5
Modulverantwortliche*r:Prof. Dr.Ing. Mohedienne Jelali
Dozierende:Prof. Dr.-Ing. Mohedienne Jelali, Dr.-Ing. Lou’i Al-Shrouf:
Learning Outcome:Die Studierenden können Machine Learning-Methoden implementieren und/oder aus geeigneten Bibliotheken auswählen, damit Daten mit Hilfe des Computers analysieren und visualisieren sowie für verschiedene Zwecke und Anwendungsgebiete Vorhersagen machen, indem sie die wichtigsten fortschrittlichen Machine Learning-Methoden und die zugehörigen Algorithmen kennen, erstehen und anwenden, um später den Zustand von Maschinen und Anlagen zu überwachen und zu optimieren, anbahnende Fehler zu erkennen und zu antizipieren.
Modulinhalte:• Supervised Learning, Unsupervised Learning
• Model Selection, Anomaly Detection
• fully connected Deep Neural Networks
• Convolutional Neural Network
• Reinforcement Learning
• evolutionäres Lernen
Lehr- und Lernmethoden:Methodenmix aus Vorlesung und seminaristischem Unterricht sowie einer Projektphase; Fortlaufendes Coaching & Beratung während der Projektdurchführung
Prüfungsformen:Softwareprogramm (60%), schriftlicher Bericht/Präsentation und mündliches Gespräch (40%)
Workload:Summe: 150 Std. / 5 Credits
Vorlesung/Seminar: 30 Std.
Projektarbeit: 120 Std.
Präsenzzeit:30 Std.
Selbststudium:120 Std.
Empfohlene Literatur:• Géron, A. (2019): Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition
• Burkov, A. (2019): Machine Learning. mitp Verlag
• Aggarwal, C. C. (2018):Neural Networks and Deep Learning. Springer-Verlag
• Müller, A. C.; Guido, S.; Rother, K. (2017): Einführung in Machine Learning mit Python: Praxiswissen Data Science. O’Reilly Verlag
• Raschka, S.; Mirjalili, V. (2018): Machine Learning mit Python und Scikit-Learn und
TensorFlow. mitp Verlag
ILIAS-Link:Machine Learning