Die Studierenden kennen ausgewählte Grundverfahren des Maschinen Lernens. Sie sind in der Lage, Ergebnisse von Maschinen-Lern-Algorithmen zu bewerten. Sie wissen Bescheid über Grundbegriffe der Wahrscheinlichkeitstheorie einschließlich der bedingten Wahrscheinlichkeit. Sie können Tools für Machine Learning bedienen.

keine

Methoden des maschinellen Lernens und Data Mining sind zentraler Gegenstand der aktuellen Forschung im Bereich "Data Science" und werden bereits in einer Vielzahl praktischer Anwendungen eingesetzt.
Inhalt:

• Einführung in die Wahrscheinlichkeitsrechnung
• Darstellung und Ableitung von Wissen mit Hilfe von Naive Bayes
• Identifikation von Mustern
• Bewertung der Ergebnisse von Machine Learning

• Skiena S. (2017): Data Science Design. Springer Verlag
• Lantz B. (2013): Machine Learning with R, PACKT
• Statistical Thinking for Data Science and Analytics, edX course, in "ttps://www.edx.org/course/statistical-thinkingfor-data-science-and-analytics"

Vorlesung, Seminar, Gastvorträge, moderierte Gruppenarbeit (2-4 Personen), Kleinprojekte im Modul unter Bezugnahme der Fallstudie

Homework 30%, Projektpräsentation 30% und Abschlussprüfung 40%