Modul
Projektpraktikum Angewandtes Maschinelles Lernen [M-WIWI-106491]
Leistungspunkte
5Turnus
Jedes SemesterDauer
1 SemesterSprache
DeutschLevel
4Version
1Einrichtung
- KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von
Teilleistungen
Identifier | Name | LP |
---|---|---|
T-WIWI-109985 | Projektpraktikum Kognitive Automobile und Roboter | 5 |
T-WIWI-109983 | Projektpraktikum Maschinelles Lernen | 5 |
Erfolgskontrolle(n)
Die Modulprüfung erfolgt in Form einer Prüfung über die gewählte Teilleistung des Moduls. Die Erfolgskontrolle wird bei jeder Teilleistung beschrieben.
Qualifikationsziele
Studierende
- können reale wissenschaftliche Probleme mit modernen maschinellen Lernansätze lösen.
- Sind in der Lage lernbasierte Modelle an Probleme zu spezifizieren, anzupassen und implementieren.
- Kennen Vorteile lernbasierten Algorithmen gegenüber herkömmlichen Lösungsstrategien.
Inhalt
Das Modul ist als praxisorientierte Ergänzung zu theoretischen Vorlesungen über maschinelles Lernen anzusehen.
In dem Praktikum erhalten Gruppen von jeweils zwei bis vier Studierende wissenschaftliche Aufgaben im Bereich des autonomen Fahrens oder der Robotik, die mit modernen ML-basierten Verfahren gelöst werden sollen. Die Aufgaben sind angewandter Natur und erfordern meist zusätzlich eine Einbettung der gelernten Verfahrens in vorhandene Systeme, die von dem Lehrstuhl und wissenschaftlichen Partnern zur Verfügung gestellt werden. Durch den Anwendungsbezug werden zusätzliche Bedingungen an die gelernten Verfahren gestellt.
Studierende analysieren die Aufgabenstellung, recherchieren den aktuellen Forschungsstand, spezifizieren, implementieren und evaluieren eigene lernbasierte Verfahren und präsentieren Ihre Ergebnisse in Vortrag und Abschlussbericht.
Empfehlungen
Theoretisches Wissen über maschinelle Lernverfahren ist notwendig. Dies kann z.B. durch Vorlesungen „Maschinelles Lernen 1: Grundverfahren“, bzw. „Maschinelles Lernen 2: Fortgeschrittene Verfahren“ erworben werden. Auch Vorlesungen anderer Lehrstühle wie „Maschinelles Lernen – Grundlagen und Algorithmen“, „Deep Learning für Computer Vision 1/2“ oder „Deep Learning und Neuronale Netze“ legen gute theoretische Grundlagen für das Praktikum.
Erste Erfahrungen mit Deep-Learning Frameworks in Python wie PyTorch/Jax/Tensorflow sind von Vorteil.
Arbeitsaufwand
Der Arbeitsaufwand von 5 Leistungspunkten setzt sich zusammen aus Präsenzzeit am Versuchsort zur praktischen Umsetzung der gewählten Lösung, sowie der Zeit für Literaturrecherchen und Planung/Spezifikation der selektierten Lösung. Zusätzlich wird ein kurzer Bericht und eine Präsentation der durchgeführten Arbeit erstellt.