Qualifikationsziele: Die Studierenden haben Verständnis für grundlegende Anwendungen, Konzepte und Analysetechniken im Bereich des maschinellen Lernens für Data Science. Sie verstehen die Datenlage, Algorithmen und Modelle des Maschinellen Lernens. Sie sind in der Lage, zu komplexen Fragestellungen passende Algorithmen des Maschinellen Lernens auszuwählen, sie kennen die Stärken und Schwächen der Verfahren. Sie wissen, welche Ergebnisse aus den jeweiligen Daten abgeleitet werden können und können computergestützte Verfahren im Anwendungsfeld und im jeweiligen wissenschaftlichen Kontext angemessen durchführen und beurteilen.

Inhalte: Die Lehrveranstaltung bietet einen Überblick über die wesentlichen Methoden des Maschinellen Lernens und der verwendeten Algorithmen für verschiedene Problemklassen, insbesondere für überwachtes, unüberwachtes Lernen sowie für Reinforcement learning. Im ersten Teil der Lehrveranstaltung werden die gängigen Verfahren und Algorithmen für jede der drei Klassen von Lernverfahren behandelt, wobei auch die Durchführung von Experimenten und die Evaluation der Modelle betrachtet wird. Im zweiten Teil der Lehrveranstaltung werden fortgeschrittene Aspekte betrachtet, wie beispielsweise hoch-dimensionale oder nicht-stationäre Probleme, unzureichende Labels oder unbalancierte Klassenverteilung in den Ausgangsdaten.