Bachelor: Geodata Science

434 - Machine Learning 2

Empfohlenes Studiensemester: 4

Turnus: Sommersemester

Sprachen: Deutsch

ECTS: 5

Prüfungsform: schrP oder ModA, weitere Angaben siehe SPO und Studienplan

Lehrform und SWS: SU (2SWS), Ü (2SWS)

Gesamter Workload: 150 Stunden

Präsenzzeit: 30 Stunden Seminaristischer Unterricht, 30 Stunden Übung

Selbststudium: 90 Stunden

Modulverantwortung: Prof. Dr. David Spieler (FK07)

Empfohlene Voraussetzung für die Teilnahme

Machine Learning 1

Lernziele

Die Studierenden lernen verschiedene Modelltypen und passende Lernverfahren aus dem Bereich des Deep Learning kennen und anwenden, um sie in ihrer späteren beruflichen Tätigkeit bei der Analyse von Daten verschiedenster Modalitäten hinsichtlich Erkenntnisgewinn und Vorhersage sinnvoll einsetzen zu können.

Fach- und Methodenkompetenz

Die Studierenden sind in der Lage

• die Konzepte hinter Deep Learning Verfahren zu erläutern,
• einfache Deep Learning Techniken selbst zu implementieren,
• komplexere Deep Learning Modelle angepasst an verschiedenste Problemstellungen auszuwählen, mit Hilfe moderner Frameworks zu trainieren und zu evaluieren

Überfachliche Kompetenz

Teamarbeit: Die Studierenden bearbeiten Problemstellungen in Kleingruppen

Inhalt

• Grundlagen Deep Learning vom Perceptron zu Multilayer Perceptrons
• Convolutional Neural Networks
• Optimierungsverfahren (SGD, BGD, MBGD)
• Grundlagen Backpropagation
• Überblick Aktivierungsfunktionen/Lossfunktionen
• Regularisierungstechniken
• Hyperparameteroptimierung

Lehrmethoden und Lernformen

Tafel, Beamer, Jupyter-Notebooks, Livecoding, GitHub

Verwendbarkeit des Moduls

Bachelor Geodata Science

Literatur

• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
• Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
• Géron A., Hands-on machine learning with scikit-learn and tensorflow: Concepts, tools, and techniques to build intelligent systems, 1st ed., O'Reilly Media, Inc., 2017.