Kontext / Überblick

Maschinelles Lernen (Machine Learning) ist ein Teilbereich der künstlichen Intelligenz. Mithilfe des maschinellen Lernens werden IT-Systeme in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln. Es wird somit künstliches Wissen aus Erfahrungen generiert. Die aus den Daten gewonnenen Erkenntnisse lassen sich verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden.

Zielgruppe/Voraussetzungen

• IT Grundlagen (z.B. Excel, Datenbanken etc.), Statistik
• TechnikerInnen und IngenieurInnen
• Geeignet für Berufstätige und WiedereinsteigerInnen

Lernziele und Kompetenzen

• Die Teilnehmenden kennen und verstehen Nutzen, Potentiale und Grenzen von Maschinellem Lernen.
• Sie kennen wichtige Verfahren und Anwendungen des Maschinellen Lernens. 
• Sie können mit diesen Verfahren selbständig Modelle nach dem CRISP Prozess entwickeln und deren Leistungsfähigkeit beurteilen. Sie können ihr erworbenes Wissen auf Probleme aus der Praxis anwenden.

Lerninhalte /Veranstaltungsart

Vorlesung/Labor/Blended Learning

Einführung in Machine Learning, iteratives Vorgehen nach CRISP-DM, Explorative Datenanalyse, Lineare Regression, Klassifikation, Evaluation von Modellen, Deep Learning, Clustering, Assoziationsanalyse.

Der Kurs wird im Blended-Learning-Format durchgeführt. Die Inhalte werden als Aufzeichnungen zur Verfügung gestellt und können zeit- und ortsunabhängig bearbeitet werden. Es werden Online-Sprechstunden zur Besprechung der Lehrinhalte angeboten. An den Präsenzterminen finden überwiegend praktische Übungen zur Vertiefung der Lerninhalte statt.

Workload

• Kontaktzeit: 60 UE = 45 h  (20h Präsenz + 25h Vorlesungsaufzeichungen)
• Selbststudium/Gruppenarbeit: 135 h

= 180 h Gesamt-WL

Daten

Vorlesung: 12., 26. Okt., 9., 23. Nov., 7. Dez. 2023, 11. Jan. 2024, jeweils 17:30 - 21 Uhr

Die Vorlesung Machine Learning wird im Flipped Classroom durchgeführt. D.h. die Teilnehmer*innen müssen vor der Teilnahme an den Präsenzterminen die erstellten Lehrvideos zu den einzelnen Kapiteln durcharbeiten und die Lehrmaterialien bearbeiten.

Abschluss

Hochschulzertifikat über 6 ECTS bei Erfüllen der Prüfungsleistungen (können auf den berufsbegleitenden Masterstudiengang "Digitale Wirtschaft - Industrie 4.0" angerechnet werden). Prüfungsteilnahme nicht verpflichtend, wenn nicht erwünscht. 

Zum Erhalt der Studiencredits zu erbringende Leistung:

• Vorlesung Maschinelles Lernen: 90-minütige Klausur 
• Labor Maschinelles Lernen: nicht benotete Laborarbeit

Die Gesamtnote entspricht der Note der mündlichen Prüfung, die Laborarbeit muss mit "bestanden" bewertet sein

Gruppengröße

8 bis 20 Teilnehmer*innen

Seminarleitung

Prof. Dr. rer. nat. Klaus Dorer und Professorenkollegium

Neben seiner Lehrtätigkeit in der Fakultät Elektrotechnik, Medizintechnik und Informatik ist Prof. Dorer wissenschaftlicher Leiter für Autonome Systeme sowie Mitglied des Institute for Machine Learning and Analytics (IMLA).

Ort

Hochschule Offenburg - Campus Offenburg - Badstraße 24

Teilnahmegebühren

972,00 €