Allgemeines

Vorlesung

Machine Learning
Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without explicit instructions. Recently, artificial neural networks have been able to surpass many previous approaches in performance. Machine learning approaches have been applied to many fields including large language models (LLM), computer vision, speech recognition, email filtering, agriculture, and medicine, where it is too costly to develop algorithms to perform the needed tasks. ML is known in its application across business problems under the name predictive analytics. Although not all machine learning is statistically based, computational statistics is an important source of the field’s methods. […]

Wikipedia

Die Vorlesung “Machine Learning” im Erweiterungsmodul “Advanced Data Science” besteht aus zwei Teilen:

  1. Unsupervised Machine Learning
  2. Supervised Machine Learning

Beide Vorlesungsteile haben zeitlich und inhaltlich etwa den gleichen Umfang.

Modulprüfung

  • Die Prüfungsleistung dieser Vorlesung besteht aus der Bearbeitung von zwei Fallstudien, einer aus dem Bereich Unsupervised Learning und einer aus dem Bereich Supervised Learning
  • Die Fallstudie wird als Gruppenarbeit von Teams mit jeweils 2 Mitgliedern bearbeitet
  • Die Bearbeitungszeit erstreckt sich über das gesamte Semester; die erste Fallstudie aus dem Bereich Unsupervised Learning wird zur Mitte des Semesters abgegeben, die zweite aus dem Bereich Supervised Learning am Ende des Semesters
  • Zur Bewertung der Prüfungsleistung ist jeweils ein Fallstudienbericht inklusive des R Codes für die Analysen einzureichen

Tutorium

Für die Bearbeitung der Fallstudien können Sie die Unterstützung durch Tutoren in Anspruch nehmen. Die Kommunikation erfolgt in der Regel über Teams. Details werden im Laufe der Vorlesung bekannt gegeben.

Software

  • In dieser Vorlesung (wie auch in den weiteren Vorlesungen im Erweiterungsmodul QMII) nutzen wir die Programmiersprache R und die Entwicklungsumgebung RStudio bzw. posit
  • Eine vollständig eingerichtete Arbeitsumgebung finden Sie unter r-workbench.fh-muenster.de
  • Es wird strengstens empfohlen, diese Arbeitsumgebung zu nutzen, es besteht aber auch die Möglichkeit, RStudio selbst zu installieren
  • Weitere Informationen sind hier zu finden

Selbstlernplattform DataCamp

Sie haben die Möglichkeit Ihr Methodenwissen und Ihre Kenntnisse in der Anwendung mit R (oder auch Python) mit Hilfe der Selbstlernplattform DataCamp zu erweitern. Über diesen Einladungslink können Sie der Plattform beitreten: Link.

MS Teams

  • Für die Zusammenarbeit während der Vorlesung und der Fallstudie nutzen wir Microsoft Teams
    • Fragen in Teams werden durch den Tutoren und mir beantwortet
    • Bitte nutzen Sie die öffentlichen Channels um Fragen zu stellen, damit andere Teams ebenfalls von den Antworten profitieren
    • Bei größeren Schwierigkeiten sind auch persönliche Termine möglich
  • In der Veranstaltung werden wir gemeinsam das nötige Handwerkszeug erarbeiten (z.B. Grundlagen und Methoden des Data Mining, Umsetzung mit Hilfe der Programmiersprache R)
  • Zu jedem Themenblock werden wir praktische Übungen anhand zweier Beispieldatensätze machen
  • In den Veranstaltungen werden wir gemeinsam häufig gestellte Fragen diskutieren
Back to top