rmf580 - Data Science und Machine Learning (Complete module description)

Keine

Nach dem erfolgreichen Abschluss des Moduls sind die Teilnehmenden in der Lage:

• Anforderungen an Methoden des maschinellen Lernens zu benennen sowie potentielle Gefahren zu erkennen.
• Die Ideen hinter den Modellen des maschinellen Lernens für verschiedene Lernziele (Regression, Klassifikation, Clustering) zu verstehen.
• Ein trainiertes Modell des maschinellen Lernens fair und objektiv zu bewerten.
• Modelle des maschinellen Lernens in R zu trainieren.
• Ergebnisse eines Lernmodells sowie dessen Vorhersagen sinnvoll zu interpretieren.

Große Datenmengen fallen heutzutage in allen nur erdenklichen Bereichen an – beispielsweise in, mit Relevanz für den Studiengang Risikomanagement und Finanzanalyse, in Versicherungen, Banken, aber auch in so unterschiedlichen Domänen wie dem autonomen Fahren, der Medizin und der Astronomie. Die Disziplin Data Science – zu deutsch Datenwissenschaft – beschäftigt sich mit der Verwaltung, Speicherung, Aufbereitung und Analyse dieser Daten und kann als Schnittstelle von Informatik, Mathematik und Statistik angesehen werden. Maschinelles Lernen, oft bekannt durch den englischen Begriff ,,Machine Learning‘‘, ist der Teil der Disziplin Data Science, welcher sich mit der Analyse der Daten beschäftigt.

In diesem Modul sollen verschiedene Methoden des maschinellen Lernens kennengelernt werden, sowohl konzeptionell als auch softwaregestützt. Zudem sollen aber auch einige Aspekte aus dem Bereich Data Science angesprochen werden, die das maschinelle Lernen nicht umfasst.

Folgende Inhalte sind geplant:

• Anforderungen an Modelle des maschinellen Lernens (Stichwort vertrauenswürdige KI)
• Anforderungen an Datenspeicherung und Datenethik (z.B. Privacy, Anonymisierung, Angriffe auf Daten)
• Regression
• Klassifikation
• Clustering
• Gütebemessung von Vorhersagen

Wesentlich sind hierbei die Kenntnis der vorgestellten Konzepte und Ideen sowie die Umsetzung am Rechner zur Analyse von bereitgestellten simulierten oder realen Daten.

Werner, T.: Data Science und Machine Learning, Lernmaterial. Universität Oldenburg, C3L – Center für lebenslanges Lernen, Oldenburg (fortlaufend aktualisiert).

Weitere Literatur wird über das eigens für das Modul entwickelte Lernmaterial und/oder im Modulverlauf bekannt gegeben.

https://uol.de/c3l/studiengang

Sofern das Modul im aktuellen Semester stattfindet, lassen sich die Termine dem (Online-)Anmeldeformular entnehmen.

Prüfungsleistungen sind innerhalb des Modulverlaufs zu den dafür festgelegten Fristen zu erbringen. Die Termine werden von den Lehrenden i.d.R. mit Beginn des jeweiligen Moduls bekannt gegeben.

Voraussetzung für die Vergave von Kreditpunkten: 

• regelmäßige Teilnahme an Online-Diskussionen, Präsenzworkshop und Web-Seminaren
• Bestehen der studienbegleitenden Prüfungsleistungen: Online-Aufgaben und Projektarbeit