Data Science Hochschulzertifikat

Advanced Machine Learning

Programm
Data Science

Abschluss
Einzelzertifikat

Modulnummer
30200

Themenbereich
Data Analytics, Vertiefungsstudium, Artificial Intelligence

Leistungpunkte
5

Sprache
deutsch/englisch

Dozent
Prof. Dr. Andreas Knoblauch

Gebühren
1005 €

Dauer
6 Wochen

Präsenzveranstaltungen
Albstadt (ggf. Online)

Onlineanteil
85%-100%

Modulbeginn

1. Termin: 27.11.2023 - 21.01.2024
2. Termin: 18.11.2024 - 19.01.2025

Inhalte des Moduls Advanced Machine Learning

Aufbauend auf den Modulen "Machine Learning" und "Decision Support" vermittelt die Vorlesung Advanced Machine Learning einen tieferen Einblick in die Methoden des maschinellen Lernens und deren Anwendungen. Konkrete Inhalte sind dabei unter anderem:

  • Allgemeiner Backpropagation Algorithmus
  • Convolutional Neural Networks und Deep Learning
  • Recurrent Neural Networks und LSTM
  • Kernel Methoden und Support Vector Machines
  • Reinforcement Learning und Deep Q-Learning
  • Graphical Probabilistic Models
  • Lernen Probabilistischer Modelle und Expectation Maximization
  • Modellkombination
  • Lernen von Verhaltensmodelle
  • Implementierung/Anwendung ausgewählter Methoden mit Python, Numpy, Scikit-learn, Tensorflow, Kera

Nach Abschluss dieses Moduls sind Sie in der Lage, maschinelles Lernen und weitere Begrifflichkeiten entsprechender Teilgebiete und verwandter Fachbereiche zu deuten, zu interpretieren und entsprechend einzuordnen. Überdies werden Ihnen unterschiedliche Methoden und Verfahren des überwachten maschinellen Lernens vermittelt, welche Sie qualifiziert beurteilen und im Kontext praktischer Anwendungs- bzw. Problemfälle mithilfe geeigneter Techniken auswählen, (in Python) implementieren und anwenden können.

Lernergebnisse, Kompetenzen

Wissen

Die Studierenden

  • kennen wesentliche Begriffe des Maschinellen Lernens.
  • kennen fortgeschrittene Verfahren und Techniken für das Maschinelle Lernen.
  • kennen fortgeschrittene Aufgabenstellungen aus dem Themengebiet von Maschinellem Lernen.

Das Modul vermittelt einen systematischen vereinheitlichenden Überblick über Methoden des maschinellen Lernens und deren Anwendungsmöglichkeiten. Nach Abschluss dieses Moduls soll der/die Studierende die wichtigsten Methoden kennen und verstehen, sowie in der Lage sein - je nach Problemstellung - geeignete Verfahren des Maschinellen Lernens auszuwählen, anzuwenden und zu evaluieren.

Fertigkeiten

Die Studierenden

  • sind in der Lage fortgeschrittene Problem- und Aufgabenstellungen mit Bezug auf das Themengebiet Machine Learning zu erkennen, diese, basierend auf eigenem Wissen und durch die gezielte Recherche zu beschreiben, Lösungsansätze zu entwickeln und diese allein oder im Team umzusetzen.
  • sind in der Lage, eine anwendungsbezogene Evaluation von fortgeschrittenen Verfahren und Methoden des Maschinellen Lernens sowie von den diese Verfahren implementierenden Systemen auszuführen, und darauf basierend eine zielgerechte Auswahl zu treffen.
  • sind in der Lage wissenschaftliche Beiträge im Themenbereich Machine Learning eigenständig zu lesen und qualitative Vergleiche der gelesenen Beiträge systematisch zu präsentieren.
Sozialkompetenz

Die Studierenden können im Rahmen einer eigenständigen Arbeit neue Ansätze für eine Problemstellung im Bereich Machine Learning entwickeln und diese im Team umsetzen.

Selbstständigkeit

Die Studierenden sind in der Lage komplexe Aufgaben im Bereich Maschinelles Lernen verantwortungsvoll zu erfüllen, realistische Ziele zu definieren und diese konsequent zu verfolgen.

Teilnahmevoraussetzung

Grundlegendes Mathematisches Verständnis in Analysis (Ableitungen, Integration, Gleichungsumformung, usw).

Prüfungsform

Klausur (60 Minuten)

Anmeldung zu den berufsbegleitenden Zertifikatsprogrammen

Melden Sie sich jetzt an!

Melden Sie sich jetzt zu einem Einzel- oder Gesamtzertifikat unserer Zertifikatsprogramme an. Damit wir sicherstellen können, dass Sie Ihre Zugangsdaten auch rechtzeitig erhalten, muss die Anmeldung spätestens zwei Wochen vor Beginn des (ersten) Moduls erfolgen.
Hinweis: Die Teilnehmerzahl ist im Interesse der Teilnehmer begrenzt, so dass wir eine frühzeitige, verbindliche Anmeldung empfehlen.

Sollten Sie noch Fragen haben, können Sie gerne jederzeit Kontakt mit uns aufnehmen.

Jetzt anmelden

Jetzt anmelden