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 |