Zugehörige Lehrveranstaltungen
| Nr. | Art | Veranstaltungsname | Teilnahme | TWS |
| 23211 | VÜ | Machine Learning | Pflicht | 6 |
| 23212 | P | Praktikum Machine Learning | Pflicht | 3 |
| Summe (Pflicht und Wahlpflicht) | 9 | |||
Empfohlene Voraussetzungen
Grundkenntnisse in den Bereichen Algorithmen, Datenstrukturen, Statistik und Wahrscheinlichkeitsrechnung. Gute Programmierkenntnisse (Python).
Qualifikationsziele
Vorlesung Machine Learning: Der Kurs bietet einen Überblick über Methoden und Algorithmen des maschinellen Lernens für zwei zentrale Lernaufgaben, nämlich überwachtes und unüberwachtes Lernen. Im ersten Teil des Kurses werden für jede Aufgabe die wichtigsten Algorithmen und Techniken behandelt, einschließlich Experimentier- und Bewertungsaspekten. Im zweiten Teil des Kurses werden wir uns auf spezifische Lernherausforderungen konzentrieren, darunter Populationsungleichgewicht und Datenknappheit. Am Ende des Kurses werden Sie gelernt haben, wie man maschinelle Lernmodelle für verschiedene Probleme erstellt, wie man ihre Leistung richtig bewertet und wie man spezifische Lernherausforderungen bewältigt.
Praktikum Machine Learning: Ziel ist es, im Rahmen eines trimesterlangen Teamprojekts praktische Erfahrungen mit Methoden und Algorithmen der Künstlichen Intelligenz/des Maschinellen Lernens zu gewinnen.
Inhalt
Da (große) Datenmengen immer mehr zunehmen, steigt auch die Nachfrage nach einer automatisierten Analyse dieser Art von Daten weiter an. Mit der steigenden Nachfrage nach Data Scientists wächst auch der Bedarf an Studenten und Studentinnen, die MLTechnologien in verschiedenen Bereichen von Cybersicherheit bis hin zu Medizin und Ingenieurwesen entwickeln und anwenden können.
Vorlesung Machine Learning:
- Supervised learning
- Unsupervised learning
- Outlier detection
- Machine Learning with imbalanced data
- Machine learning under data scarcity
Praktikum Machine Learning: Die Studenten und Studentinnen wählen ein Projekt aus der Liste der angebotenen Projekte aus. Die Projekte lassen sich in zwei Kategorien einteilen: i) Akademische Projekte, die in der Regel auf veröffentlichten Arbeiten beruhen. Ziel ist es, die Ergebnisse der Autoren mit einigen Erweiterungen und Anwendungen auf neue Datensätze zu reproduzieren. ii) Anwendungsspezifische Projekte, die sich auf die Analyse interessanter Datensätze aus verschiedenen Anwendungsbereichen beziehen.
Am Ende des Trimesters sollten die Studierenden und Studentinnen guten Code (Python-Notebook) und einen kurzen Report (max. 5 Seiten) abliefern und ihre Arbeit - in einer 20-minütigen Präsentation und einem 10-minütigen Q&A-Slot - während eines Blockpraktikums am Ende des Trimesters vorstellen.
In allen Lehrveranstaltungen werden die Lehrmaterialien in englischer Sprache zur
Verfügung gestellt. Die Veranstaltungen werden in englischer Sprache gehalten.
Literatur
- Shai Ben-David and Shai Shalev-Shwartz, Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014
- Mitchell T. M., Machine Learning, McGraw-Hill, 1997
- Wagner Meira and Mohammed Zaki, Data Mining and Machine Learning: Fundamental Concepts and Algorithms, Cambridge University Press, 2020
Leistungsnachweis
Die Prüfungsform ist ein Notenschein, dessen Note sich aus einer schriftlichen (60 Min) oder mündlichen (30 Min) Prüfung der Vorlesung und der Benotung des Praktikums zusammensetzt. Die genaue Zusammensetzung der Note wird zu Beginn des Moduls bekannt gegeben.
Verwendbarkeit
Wahlpflichtmodul im Studiengang Master Cyber-Sicherheit in der Vertiefung Security Intelligence (SI)
Dauer und Häufigkeit
Das Modul dauert 1 Trimester und wird im Frühjahrstrimester (FT) angeboten.