Hands-on Machine Learning for Political Scientists

Worum geht's

Du erhältst praxisorientiertes Wissen zu Deep Learning und Machine-Learning-Methoden mit Bezug zur Sozial- und Politikwissenschaft. Am Ende kannst du verschiedene ML-Algorithmen und neuronale Netzarchitekturen bewerten, Deep‑Learning-Frameworks wie TensorFlow und PyTorch nutzen und Daten für Deep-Learning-Aufgaben aufbereiten sowie einfache ML-Projekte implementieren.

Was du danach kannst

• Vor- und Nachteile verschiedener Machine-Learning-Algorithmen verstehen
• Architekturen neuronaler Netze (z. B. CNN, RNN) und Backpropagation erklären
• TensorFlow und PyTorch praktisch anwenden
• Datenvorbereitung und Umgang mit Trainings-/Validierungs-/Testdaten beherrschen
• Zentrale mathematische Konzepte (lineare Algebra, Optimierung, Wahrscheinlichkeitsrechnung) anwenden
• Anknüpfung an weiterführende Themen wie Computer Vision und NLP herstellen
• Theoretische Konzepte für sozialwissenschaftliche Forschung (Explainability, Bias) einordnen
• Praktische Machine-Learning-Projekte implementieren

Aus was das Modul besteht

• VorlesungVermittlung der grundlegenden Konzepte des Machine Learning und Deep Learning
• ÜbungPraktische Anwendung des Vorlesungswissens, Diskussion von Vor-/Nachteilen und mathematischen Grundlagen

Lehrmethode

• Praktische ProjekteErwerb praktischer Erfahrung im Umgang mit Daten und Implementierung einfacher Projekte
• Theoretische KonzepteDiskussion von Explainability, Interpretability und Bias mit Bezug zu sozial- und politikwissenschaftlichen Fragestellungen
• Interaktives LernenEinsatz von Analogien, realen Beispielen und interaktiven Tools zur Veranschaulichung komplexer Zusammenhänge