194.101 Machine Learning Algorithms and Applications
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2022W, PR, 2.0h, 3.0EC

Merkmale

  • Semesterwochenstunden: 2.0
  • ECTS: 3.0
  • Typ: PR Projekt
  • Format der Abhaltung: Hybrid

Lernergebnisse

Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

  • Forschungsarbeiten selbstständig zusammenzufassen,
  • für das (Nach-)Implementieren von Lernalgorithmen benötigte Informationen herzuleiten,
  • Implementierungen von Lernalgorithmen zu entwickeln,
  • diese auf Datensätze anzuwenden,
  • maschinellen Lernalgorithmen experimentell zu evaluieren,
  • verschiedene Algorithmen zu vergleichen um deren Schwächen und Stärken zu analysieren, und
  • geeignete Hyperparameter für die Algorithmen zu bestimmen

...falls sich diese für ein angewandtes Projekt entscheiden.

Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

  • theoretische Eigenschaften eines Lernalgorithmus zusammenzufassen und zu präsentieren,
  • theoretische Schwachpunkte eines Lernalgorithmus zu identifizieren,
  • selbstständig an spezifischen theoretischen Problemen zu arbeiten und diese zu lösen,
  • theoretische Ergebnisse anzuwenden, und
  • Annahmen der Algorithmen zu überprüfen

...falls sich diese für ein theoretisches Projekt entscheiden.

Inhalt der Lehrveranstaltung

Studierende können zwischen einem theoretischen und einem angewandten Projekt wählen (oder eine Kombination).

Projektvorschläge können auf unserer Homepage gefunden werden. Wir freuen uns auch über eigene kreative und konkrete Projektideen (Anforderungen stehen auf der Homepage).

Das Ziel des angewandten Projekts ist es, sich selbstständig in Lernalgorithmen einzuarbeiten, diese (nach-) zu implementieren und anzuwenden. Es soll mit verschiedenen Algorithmen, Hyperparametern, Datensätzen, und/oder Anwendungen experimentiert werden. Beispiele hierfür sind:

  • Vergleich verschiedener Algorithmen,
  • Design von Benchmarks, oder
  • Anwendung der Algorithmen in (kreativen) Use Cases.

Das Ziel des theoretischen Projekts ist es, an konkreten theoretischen Fragestellungen im Bereich des maschinellen Lernens zu arbeiten. Beispiele hierfür sind:

  • Formale Garantien für bestimmte Lernalgorithmen (wie Sample, Query oder Computational Complexity Schranken),
  • Worst-case Instanzen auf denen die untersuchten Algorithmen beweisbar schlecht sind, oder
  • Formalisierung der zugrundeliegenden Annahmen der Algorithmen.

Methoden

Den Großteil des Projektes bildet das selbstständige (Nach-)Implementieren eines oder mehrerer Lernalgorithmen bzw. das Erarbeiten theoretischer Ergebnisse. Während des Projektes wird laufend in Meetings der Fortschritt vorgetragen, besprochen und formatives Feedback gegeben. Abschließend wird ein Bericht geschrieben und die Ergebnisse werden in Form einer Poster-Session präsentiert.

Prüfungsmodus

Prüfungsimmanent

Weitere Informationen

3ects -> 75h
8h Literatursuche und Schreiben einer Disposition
16h Vorbereiten von Präsentationen und Poster, Teilnahme an Projektmeetings
38h Arbeiten am Projekt
13h Schreiben des Projektberichts

Vortragende Personen

Institut

Leistungsnachweis

Die Abschlussnote ergibt sich aus der Qualität

  • der Implementierung (Lauffähigkeit, Skalierbarkeit, Schnelligkeit, Dokumentation) bzw. der erarbeiteten theoretischen Ergebnisse,
  • der Vorträge,
  • der Poster-Session und
  • des eingereichten Berichts.

LVA-Anmeldung

Von Bis Abmeldung bis
19.09.2022 00:00 20.10.2022 23:59

Curricula

Literatur

Es wird kein Skriptum zur Lehrveranstaltung angeboten.

Weitere Informationen

Sprache

Englisch