SingleView of Module
Module (6 Credits)
Engineering ML-based Systems
- Name in diploma supplement
- Engineering ML-based Systems
- Responsible
- Admission criteria
- See exam regulations.
- Workload
- 180 hours of student workload, in detail:
- Attendance: 60 hours
- Preparation, follow up: 60 hours
- Exam preparation: 60 hours
- Duration
- The module takes 1 semester(s).
- Qualification Targets
Die Studierenden
- beherrschen die Tätigkeiten, die zur Implementierung von Software, die Komponenten des maschinellen Lernens einsetzt, notwendig sind
- haben Kenntnisse über die inhärente Unsicherheit in Anwendungen, die Komponenten des maschinellen Lernens einsetzen, und wissen, wie mit dieser Unsicherheit umzugehen ist
- verstehen die Notwendigkeit der Erklärbarkeit von Ergebnissen der Algorithmen des maschinellen Lernens
- beherrschen Best Practices bei der Entwicklung von Software, die Komponenten des maschinellen Lernens einsetzt
- verstehen die Bedeutung von domänenspezifischen Faktoren, die die Anwendbarkeit des maschinellen Lernens beeinflussen
- Module Exam
Zum Modul erfolgt eine modulbezogene Prüfung inder Gestalt einer
- Klausur (in der Regel: 90-120 Minuten) oder
- mündlichen Prüfung (in der Regel: 20-40 Minuten) oder
- Portfolioprüfung. Das Thema wird zu Beginn der Veranstaltung festgelegt.
Die konkrete Prüfungsform – Klausur, mündliche Prüfung oder Portfolioprüfung – wird innerhalb der ersten Wochen der Vorlesungszeit von der zuständigen Dozentin oder dem zuständigen Dozenten festgelegt.
- Usage in different degree programs
- Elements
Lecture with practical Exercise (6 Credits)
Engineering ML-based Systems
- Name in diploma supplement
- Engineering ML-based Systems
- Organisational Unit
- Lecturers
- SPW
- 4
- Language
- German
- Cycle
- winter semester
- Participants at most
- no limit
- Preliminary knowledge
Grundlagen der Programmierung, Grundlagen des Maschinellen Lernens, Stochastik, Lineare Algebra, Analysis
Für dieses Modul werden Kenntnisse der Programmierung sowie der Grundlagen des Maschinellen Lernens, insbesondere grundlegender Algorithmen des überwachten und unüberwachten Lernens, vorausgesetzt.
- Abstract
Die Vorlesung vermittelt einen Überblick über die Entwicklung von Software, die Komponenten des maschinellen Lernens einsetzt, und festigt das vermittelte Wissen durch die Einbettung praktischer Übungen, Diskussion von Anwendungsszenarien sowie durch begleitende Projekte. Im Fokus stehen dabei insbesondere die Arbeiten, die von einem Entwicklungs-Team zum erfolgreichen Launch einer Anwendung oder Komponente, die Verfahren des maschinellen Lernens einsetzt, durchgeführt werden müssen. Die Studierenden lernen, wie klassisches Software Engineering mit den für maschinelles Lernen notwendigen Arbeiten verknüpft wird. Im ersten Teil der Vorlesung werden Anwendungen betrachtet, die überwachtes Lernen einsetzen, und im zweiten Teil Anwendungen, die verstärkendes Lernen verwenden.
- Contents
Die folgenden Themen werden in der Vorlesung unter anderem behandelt:
- Debugging von ML-Anwendungen
- Data Cleaning, Preprocessing und Augmentation
- Evaluation von ML-Modellen
- Architektur und Auswahl von ML-Modellen
- Prozessmodelle zur Entwicklung von ML-Anwendungen
- Grundlagen des verstärkenden Lernens
- Literature
- Geron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly.
- Albon, Chris; Langenau, Frank. 2019. Machine Learning Kochbuch: Praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning. O’Reilly.
- Bach, Francis; Sutton, Richard S.; Barto, AndrewG. 2018. Reinforcement Learning: An Introduction (Adaptive Computation and Machine Learning). MIT Press.
- Teaching concept
In der Veranstaltung werden Vorlesung, praktische Übungen und Methoden zur gemeinsamen Erarbeitung kombiniert. Eine Trennung von Vorlesung und Übung ist nicht vorgesehen. Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.
- Participants