Qualifikationsziele: Die Studierenden lernen2 grundlegende Formen der Datenrepräsentation und deren Visualisierung, können Abhän-gigkeiten aufzeigen3 und wenden Verfahren für Dimensionsreduktion und Datenvorverarbeitung an. Sie lernen die elementaren Grundbegriffe und Prinzipien des maschinellen Lernens, können Zielkriterien formulieren, benennen Eigenschaften von Optimierungsproblemen und können einzelne algorithmische Ansätze zur Lösung umsetzen5. Sie können unterschiedliche Lernverfahren zur Regression, Klassifikation und Entscheidungsfindung einordnen und umsetzen. Sie lernen die Grundstrukturen und Architekturen von neuronalen Netzen und deren vielfältige Ein-satzgebiete. Sie können algorithmisch Lösungen für eine gegebene Problemstellung umsetzen und evaluieren.

Inhalte: Die Studierenden erlernen die Grundlagen des maschinellen Lernens, der Lerntheorie, der Generalisierung und PAC. Sie erarbeiten ebenfalls die Grundlagen der konvexen Optimierung, des stochastischen Gradientenabstieg, der Regularisierung und Konvergenz. Sie üben Verfahren des Supervised Learning (z.B. Linear Regression, SVM, Kernel-Trick) und des Unsupervised Learning (z.B. Clustering, Decision Trees, PCA). Des Weiteren erlernen Stu-dierende die Grundlagen der Künstlichen Neuronalen Netze (KNN), indem mögliche Architekturen und das Konzept der Backpropagation erarbeitet werden. Darüber hinaus setzen sich Studierende mit den Aspekten der Evaluierung (Cross-validation, Hyper-Parameter-Tuning usw.) auseinander.