Modul
Maschinelles Lernen [M-WIWI-103356]
Leistungspunkte
9Turnus
Jedes SemesterDauer
1 SemesterSprache
Deutsch/EnglischLevel
4Version
3Einrichtung
- KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von
Teilleistungen
Identifier | Name | LP |
---|---|---|
T-WIWI-109985 | Projektpraktikum Kognitive Automobile und Roboter | 5 |
T-WIWI-106341 | Maschinelles Lernen 2 - Fortgeschrittene Verfahren | 4.5 |
T-WIWI-109983 | Projektpraktikum Maschinelles Lernen | 5 |
T-WIWI-106340 | Maschinelles Lernen 1 - Grundverfahren | 4.5 |
Erfolgskontrolle(n)
Die Modulprüfung erfolgt in Form von Teilprüfungen über die gewählten Teilleistungen des Moduls, mit denen die Mindestanforderung an Leistungspunkten erfüllt wird. Die Erfolgskontrolle wird bei jeder Teilleistung beschrieben.
Die Gesamtnote des Moduls wird aus den mit Leistungspunkten gewichteten Teilnoten gebildet und nach der ersten Kommastelle abgeschnitten.
Qualifikationsziele
Studierende
- erlangen Kenntnis der grundlegenden Methoden im Bereich des Maschinellen Lernens.
- Verstehen erweiterte Konzepte des Maschinellen Lernen sowie ihre Anwendungsmöglichkeit.
- Können Methoden des Maschinellen Lernens einordnen, formal beschreiben und bewerten.
- Können ihr Wissen für die Auswahl geeigneter Modelle und Methoden für ausgewählte Probleme im Bereich des Maschinellen Lernens einsetzen.
Voraussetzungen
Keine
Inhalt
Das Themenfeld des Maschinellen Lernens unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. Große Teile moderner KI-Verfahren basiert auf maschinell gelernten Modellen.
Die Vorlesung "Maschinelles Lernen 1 führt die Studierenden in den sich schnell entwickelnden Bereich des maschinellen Lernens ein, indem sie eine solide Grundlage vermittelt, welche die wichtigsten Konzepte und Techniken in diesem Gebiet umfasst. Die Studierenden werden sich mit verschiedenen Methoden des Supervised, Unsupervised und Reinforcement Learning befassen, sowie mit den dazugehörigen Modelltypen, die von einfachen linearen Klassifikatoren bis hin zu komplexeren Modellen, wie Deep Neural Networks reichen.
Die Vorlesung "Maschinelles Lernen 2" behandelt fortgeschrittene und moderne Methoden des Maschinellen Lernens. Moderne Lernverfahren wie Self-Supervised-Learning und Contrastive Learning sowie Modellarchitekturen wie Diffusion Models, Transformer, Graph Neural Networks, werden vorgestellt.
In den Praktika werden wissenschaftliche Aufgaben im Bereich des autonomen Fahrens oder der Robotik mit modernen maschinellen Lernverfahren gelöst. Dort werden praxisorientiert die Techniken des Maschinellen Lernens
Arbeitsaufwand
Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden. Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.