In dieser Lehrveranstaltung werden Kenntnisse über die Funktionsweise verschiedener Verfahren aus dem Bereich des maschinellen Lernens vermittelt. Darüber hinaus werden ihre vielfältigen Einsatzmöglichkeiten sowie die Herausforderungen bei ihrer Anwendung an realen Praxisbeispielen verdeutlicht.

Die Schwerpunkte der Lehrveranstaltung sind:

• Methoden aus den Bereichen
  • Supervised Learning (z.B. Lineare Regression, Logistische Regression, künstliche neuronale Netze, Entscheidungsbaum)
  • Unsupervised Learning (vor allem Clustering-Verfahren wie K-Means, DBSCAN und hierarchisches Clustering)
  • Reinforcement Learning (Q-Learning)
• Machine Learning Prozess: Vorverarbeitung, Datenbereinigung, Analyse, Evaluierung
• Anwendung von Machine Learning auf verschiedenen Datenformen, z.B. Zeitreihen

Im Rahmen der Übungen werden teilnehmende Studierende lernen, die Verfahren in der Programmiersprache Python anzuwenden und zu untersuchen. Die dabei hauptsächlich verwendeten Python-Bibliotheken sind numpy, pandas, matplotlib und scikit-learn.