Lehrveranstaltungsbeschreibung
Diese Lehrveranstaltung bietet innerhalb von vier Themenkomplexen eine Einführung in das Gebiet der Big Data Analytics.
Der erste Teil gibt eine allgemeine Einführung in Grundkonzepte der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML). Ziel dieser Einheit ist es, zunächst die Theorie hinter ML-Methoden wie z.B. Klassifikationen durch Convolutional Neural Networks oder den k-nächste-Nachbarn-Algorithmus kennenzulernen und diese Methoden anschließend auf kleinere Datenmengen praktisch anzuwenden.
Im Lehrveranstaltungsblock zur Einführung in Datenanalyse werden den Studierenden die grundlegende Idee sowie allgemeine Konzepte der Datenanalyse anhand eines beispielhaften Prozesses nähergebracht. Außerdem werden erste eigene Dashboards mit Hilfe der state-of-the-art Visualisierungsplattform Tableau erstellt.
Der Themenkomplex zu autonomen Systemen führt die Studierenden in moderne Konzepte des Maschinellen Lernens (Sim2Real, VAE) ein. Anhand zweier industrieller Systeme werden End-to-End und Modulare Verfahren analysiert und verglichen. Anschließend behandelt das Modul die mathematischen Grundlagen des klassischen Reinforcement Learnings sowie eine konzeptionelle Einführung in das Deep Reinforcement Learning.
Der Veranstaltungsblock zum Thema Empfehlungssysteme (Recommender Systems) liefert den Studierenden zunächst einen Überblick über unterschiedliche Einsatzbereiche, Datengrundlagen sowie Arten von Empfehlungssystemen. Im Anschluss entwickeln die Studierenden in einer interaktiven Hands-On-Phase ein eigenes Empfehlungssystem für einen ausgewählten Anwendungsfall (Film-Empfehlungssysteme) und erarbeiten dabei sogleich die mathematischen Hintergründe eben dieses Systems.
Der erste Teil gibt eine allgemeine Einführung in Grundkonzepte der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML). Ziel dieser Einheit ist es, zunächst die Theorie hinter ML-Methoden wie z.B. Klassifikationen durch Convolutional Neural Networks oder den k-nächste-Nachbarn-Algorithmus kennenzulernen und diese Methoden anschließend auf kleinere Datenmengen praktisch anzuwenden.
Im Lehrveranstaltungsblock zur Einführung in Datenanalyse werden den Studierenden die grundlegende Idee sowie allgemeine Konzepte der Datenanalyse anhand eines beispielhaften Prozesses nähergebracht. Außerdem werden erste eigene Dashboards mit Hilfe der state-of-the-art Visualisierungsplattform Tableau erstellt.
Der Themenkomplex zu autonomen Systemen führt die Studierenden in moderne Konzepte des Maschinellen Lernens (Sim2Real, VAE) ein. Anhand zweier industrieller Systeme werden End-to-End und Modulare Verfahren analysiert und verglichen. Anschließend behandelt das Modul die mathematischen Grundlagen des klassischen Reinforcement Learnings sowie eine konzeptionelle Einführung in das Deep Reinforcement Learning.
Der Veranstaltungsblock zum Thema Empfehlungssysteme (Recommender Systems) liefert den Studierenden zunächst einen Überblick über unterschiedliche Einsatzbereiche, Datengrundlagen sowie Arten von Empfehlungssystemen. Im Anschluss entwickeln die Studierenden in einer interaktiven Hands-On-Phase ein eigenes Empfehlungssystem für einen ausgewählten Anwendungsfall (Film-Empfehlungssysteme) und erarbeiten dabei sogleich die mathematischen Hintergründe eben dieses Systems.