Wissenschaftliches Maschinelles Lernen für Ingenieure

Worum geht's

Du lernst die Grundlagen des maschinellen Lernens mit Schwerpunkt auf überwachtem Lernen, Kernel-Methoden und neuronalen Netzen. Du verstehst Trainingsverfahren wie Backpropagation, kennst verschiedene Netzarchitekturen (RNN, CNN, GAN, Transformer) und grundlegende probabilistische Methoden wie Gaussian Processes und Variational Inference. Am Ende kannst du einschätzen, welche Modellklasse für ein konkretes Problem passt und einen einfachen ML-Workflow aufbauen.

Was du danach kannst

• Kernel-Methoden verstehen
• Aufbau und Training neuronaler Netze (Backpropagation) nachvollziehen
• Geeignete Netzwerkklassen für Anwendungen auswählen
• Einen Machine-Learning-Workflow aus Grundbausteinen entwickeln

Aus was das Modul besteht

• VorlesungVermittlung der Kursinhalte durch Vorträge und Demonstrationen
• Online-Übungen / ProgrammieraufgabenPraktische Umsetzung und Vorbereitung auf das Projekt

Lehrmethode

• Vortrag mit FolienErklärung der theoretischen Konzepte
• Code-Demonstrationen und Software-ToolsVerständnis der praktischen Umsetzung
• Autograded Computer ExercisesVertiefung und Vorbereitung auf das Abschlussprojekt
• Betreuung durch LehrpersonalKlärung von Fragen und Vertiefung einzelner Themen