In diesem Modul erlernen die Teilnehmenden grundlegende Methoden des maschinellen Lernens und deren Anwendung in Python. Das Modul vermittelt theoretische Grundlagen zu Algorithmen des überwachten und unüberwachten Lernens und verzahnt diese stets mit der Anwendung in Python auf Basis realer Datensätze. Da der Einsatz maschineller Lernverfahren weitreichende Implikationen haben kann, liegt ein besonderes Augenmerk auf der korrekten Evaluation der Modelle und Einordnung der Ergebnisse.
Grundlagen des maschinellen Lernens mit Python
- Sie schärfen Ihre Expertise im Bereich des maschinellen Lernens
- Sie erwerben Grundkenntnisse des Programmierens mit Python
- Sie lernen auf Basis realer Datensätze
Termine / Veranstaltungsort / Kosten
| Termin | Veranstaltungsort | Kosten |
|---|---|---|
| Kurs läuft bereits. Weitere Termine in Planung. |
Veranstalter und Veranstaltungsort
Veranstalter
Technische Hochschule Ulm
Veranstaltungsort
Prittwitzstraße 10
89075 Ulm
Online
Zielgruppe und Voraussetzungen
Zielgruppe
Für den Zugang zu den Modulen des Studiengangs Business Analytics benötigen Bewerbende einen ersten Hochschulabschluss, z. B. Bachelor, Diplom, Staatsexamen etc. in den Studiengängen Elektrotechnik, Informatik, Maschinenbau, Mathematik, Physik, Wirtschaftsmathematik oder eines vergleichbaren Studiengangs oder einen als gleichwertig anerkannten Abschluss.
Wird das Modul lediglich als einzelner Zertifikatskurs belegt, ist ein erster Hochschulabschluss beliebiger Fachrichtung notwendig.
Teilnahmevoraussetzungen
Voraussetzung ist ein erster Hochschulabschluss
Inhaltlich: Grundkenntnisse in Python für Data Science wünschenswert (in der ersten Lerneinheit findet ein Crashkurs statt)
Inhalte und Lernziele
Inhalte
Zunächst werden generelle Konzepte vorgestellt wie unterschiedliche Lernansätze ((Un-)Supervised, Reinforcement), Umgang mit verschiedenartigen Daten (Skalenniveaus), Problemlösungsvorgehen nach CRISP-DM, Trainings- und Testdaten, Loss-Functions oder Qualitätsmaße.
Die folgenden Inhalte werden mit umfangreichem Übungsanteil auf Basis realer Daten (etwa von der Kaggle-Website) hauptsächlich mit Hilfe der Python ML-Bibliothek scikit-learn unter Bezug auf die generellen Konzepte vermittelt:
1. Unüberwachte Verfahren:
- Clustering
- Hauptkomponentenanalyse
- Assoziationsanalyse
2. Überwachte Verfahren
- Regression
- Klassfikation: Entscheidungsbäume, Naive Bayes, k-Nearest Neighbors
- Ensemble Methoden: Random Forest, AdaBoost
3. Einfache Neuronale Netze
Den Abschluss bildet ein Projekt, bei dem zur Lösung einer konkreten Aufgabenstellung verschiedene der zuvor erlerneten Konzepte und Methoden anhand des CRISP-DM-Prozesses zum Einsatz kommen sollen.
Ablauf
Das Online-Studium findet im Selbststudium in der Form eines „Flipped Classroom“ statt. Für das Selbststudium stehen Video-Vorlesungen, ausführliche und sauber dokumentierte Codebeispiele als Jupyter-Notebooks und praktische Übungen bereit. In wöchentlichen Online-Sprechstunden werden Sie bei der Bearbeitung des Lernstoffs zusätzlich unterstützt.
Lernziele
Die Studierenden…
Fachkompetenz
- verstehen grundlegende Konzepte des maschinellen Lernens
- beurteilen die Qualität gefundener Modelle anhand nachvollziehbarer Kriterien
- wenden grundlegende Python-Bibliotheken für maschinelles Lernen an
- wählen ML-Verfahren passend für gegebene Problemstellungen aus
- bereiten Daten für das gewählte ML-Verfahren adäquat vor
Methodenkompetenz
- wenden den CRISP-DM Prozess zur Lösung analytischer Fragestellungen an
- entwerfen, implementieren und testen Ansätze zur Problemlösung
- lösen Anwendungsprobleme mit Hilfe eines geeigneten maschinellen Lernverfahrens
- können die Problemlösungen in den Anwendungskontext einordnen
Sozial- und Selbstkompetenz
- entwickeln und diskutieren Lösungen für Aufgaben des maschinellen Lernens und arbeiten in Kleingruppen
- schätzen eigene analytische und konzeptionelle Fähigkeiten ein und können fachliche Stärken und Schwächen reflektieren
Format, Abschluss, Qualitätssicherung
Lehr- / Lernformat
Online
Abschluss
Bei erfolgreichem Abschluss des Moduls erhalten Sie ein Zertifikat sowie ein Supplement, das die Inhalte des Moduls als Übersicht auflistet. Im Supplement bestätigt Ihnen der Modulverantwortliche das Äquivalent von 3 Leistungspunkten nach ECTS.
Zeitaufwand
15 Dienstagabende, jeweils von 19:00-20:30 Uhr.
Creditpoints (ECTS)
3
Sprache
Deutsch
Termine und Fristen
Der aktuelle Kurs hat bereits begonnen. Neue Termine werden online bekanntgegeben.
Kosten
Kosten
Entgelt für einen Zertifikatskurs: 720,00 €
Gebühr nach Immatrikulation: 620,00 €
Dozent*innen
Prof. Dr. Reinhold von Schwerin
Technische Hochschule Ulm
Zum nachlesen
Ihre Weiterbildung soll größer oder kleiner sein?
Schauen Sie sich weitere Angebote zum Thema "Business Analytics" an:
