Stud.IP Uni Oldenburg
Universität Oldenburg
16.11.2019 22:20:24
inf536 - Computational Intelligence II (Vollständige Modulbeschreibung)
Originalfassung Englisch PDF Download
Modulbezeichnung Computational Intelligence II
Modulcode inf536
Kreditpunkte 6.0 KP
Workload 180 h
Fachbereich/Institut Department für Informatik
Verwendet in Studiengängen
  • Master Engineering of Socio-Technical Systems (Master) > Embedded Brain Computer Interaction
  • Master Engineering of Socio-Technical Systems (Master) > Human-Computer Interaction
  • Master Informatik (Master) > Angewandte Informatik
  • Master Umweltmodellierung (Master) > Mastermodule
  • Master Wirtschaftsinformatik (Master) > Akzentsetzungsmodule der Informatik
Ansprechpartner/-in
Modulverantwortung
Prüfungsberechtigt
Teilnahmevoraussetzungen
Kompetenzziele
Nach erfolgreichem Abschluss der Lehrveranstaltung sollen Studierende die Fähigkeit erworben haben, die vorgestellten Methoden sicher in Theorie und Praxis zu beherrschen. Dabei sollen entsprechende Problemstellungen des maschinellen Lernens von den Studierenden selbst erkannt, modelliert und die Methoden zielsicher eingesetzt werden.

Fachkompetenzen
Die Studierenden:
- erkennen Probleme des maschinellen Lernens
- implementieren einfache Algorithmen des maschinellen Lernens
- wenden bekannten Bibliotheken des maschinellen Lernens an
- diskutieren kritisch Lösungsansätze und Methodenauswahl
- vertiefen bekannte Kenntnisse aus Analysis und linearer Algebra

Methodenkompetenzen
Die Studierenden:
- vertiefen Programmierkenntnisse
- wenden Modellierungsfähigkeiten an
- lernen den Zusammenhang zwischen Problemklasse und Methodenauswahl

Sozialkompetenzen
Die Studierenden:
- implementieren gemeinsam in der Vorlesung vorgestellte Algorithmen
- evaluieren eigene Lösungen und vergleichen diese mit denen Ihrer Kommilitonen

Selbstkompetenzen
Die Studierenden:
- schätzen ihre Fach und Methodenkompetenz im Vergleich zu Kommilitonen ein.
- erkennen die eigenen Grenzen
- passen ihr eigenes Vorgehen unter Bezugnahme der Methodenkompetenzen an nötige Anforderungen an.
Modulinhalte
Das Gebiet der Computational Intelligence umfasst intelligente und lernfähige Verfahren zur Optimierung, Steuerung und Datenanalyse. Schwerpunkt der Lehrveranstaltung „Computational Intelligence II“ sind Methoden des maschinellen Lernens. Analyse und Verständnis von Daten nehmen in unserer Informationsgesellschaft einen hohen Stellenwert ein, Verfahren der statistischen Datenanalyse sind dabei oft unverzichtbar. In der Lehrveranstaltung werden wichtige Methoden des maschinellen Lernens vermittelt. Dazu gehören insbesondere Verfahren zur Klassifikation und Regression, zum Clustern und zur Dimensionsreduktion. Statistische Grundlagen werden in der Vorlesung genauso vermittelt wie spezielle mathematische Techniken wie Matrix-Formulierung von Problem und Techniken der Optimierung.
In den Übungen werden praktische Aspekte der Implementierung, Anwendung und Parametrisierung der Verfahren anhand beispielhafter Aufgabenstellungen trainiert.
Die Inhalte der Vorlesung umfassen im Einzelnen:
  • Entscheidungsbäume
  • Kreuzvalidierung, Overfitting und Modellkomplexität
  • lineare und multivariate Regression
  • Support Vector Machines zur Klassifikation und Regression
  • K-Means
  • dichtebasierte Clustern: DBSCAN und Kerndichteclustering
  • Unüberwachte Regression
  • Local Linear Embedding
  • ISOMAP
Literaturempfehlungen
  • BISHOP, C.M.: Pattern Recognition and Machine Learning. Springer 2007.
  • HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J.H.: The Elements of Statistical Learning, Springer 2009
Links
Unterrichtsprachen Deutsch, Englisch
Dauer in Semestern 1 Semester
Angebotsrhythmus Modul jährlich
Aufnahmekapazität Modul unbegrenzt
Modullevel AS (Akzentsetzung / Accentuation)
Modulart je nach Studiengang Pflicht oder Wahlpflicht
Lern-/Lehrform / Type of program V+Ü
Vorkenntnisse / Previous knowledge - inf535 Computational Intelligence I
- Statistik
Lehrveranstaltungsform Kommentar SWS Angebotsrhythmus Workload Präsenzzeit
Vorlesung 2.00 SoSe 28 h
Übung 2.00 SoSe 28 h
Präsenzzeit Modul insgesamt 56 h
Prüfung Prüfungszeiten Prüfungsform
Gesamtmodul
Am Ende der Vorlesungszeit
Mündliche Prüfung oder Klausur.