Every winter semester
5 Credit points
For information on the duration of the modul, refer to the courses of study in which the module is used.
Die TeilnehmerInnen lernen Konzepte und Methoden kennen, um Verfahren maschinellen Lernens für komplexere
Aufgaben zu strukturieren und einzusetzen. Dies beinhaltet Lernarchitekturen, aktive Lernstrategien und sequentielles Lernen unter Einschränkungen, wie etwa verzögerter Erfolgsrückmeldung oder lediglich teilweiser
Systembeobachtbarkeit. Darüberhinaus bietet die Vorlesung einen Überblick über die wichtigsten
Theorieansätze maschinellen Lernens und ihren wechselseitigen Beziehungen.
Aufbauend auf dem Modul "Neuronale Netze und Lernen" werden die dort betrachteten Lernverfahren einer genaueren theoretischen Betrachtung unterzogen - insbesondere aus statistischer Sicht. Desweiteren werden verschiedene Lernarchitekturen, insbesondere Kommittee-Verfahren sowie Reinforcement-Lernen behandelt.
Komeptenzen, wie sie beispielsweise im Modul 39-Inf-NN Grundlagen Neuronaler Netze erworben werden können
—
Die Modul(teil)prüfung kann in einigen Studiengängen nach Wahl der Studierenden auch "unbenotet" erbracht werden. Vor Erbringung ist eine entsprechende Festlegung vorzunehmen, eine nachträgliche Änderung (benotet - unbenotet) ist ausgeschlossen. Wird diese Option gewählt, ist es nicht möglich, dieses Modul zu verwenden, um es in einen Studiengang einzubringen, in dem dieses Modul bei der Gesamtnotenberechnung berücksichtigt wird.
Module structure: 0-1 bPr, 0-1 uPr 1
In einigen Studiengängen der Technischen Fakultät kann die Modulprüfung nach Wahl der Studierenden auch "unbenotet" erbracht werden (s. Erläuterungen zu den Modulelementen und die jeweilige FsB). Wird die unbenotete Option gewählt, ist es nicht möglich, dieses Modul zu verwenden, um es in einen Studiengang einzubringen, in dem dieses Modul bei der Gesamtnotenberechnung berücksichtigt wird.
Erläuterungen zu dieser Prüfung siehe unten (benotete Prüfungsvariante).
Portfolio aus Übungsaufgaben, die veranstaltungsbegleitend gestellt werden (Bestehensgrenze 50% der erzielbaren Punkte, individuelles Erläutern der Lösungen). Die Übungsaufgaben im Rahmen des Portfolios werden in der Regel wöchentlich ausgegeben. Abschließende mündliche Prüfung (15-25 min.) über die Inhalte von Vorlesung und Übungen oder alternativ zweimaliges Bestehen von Tafelpräsentationen zu vorher ausgewählten Übungsaufgaben.
| Degree programme | Profile | Recommended start 3 | Duration | Mandatory option 4 |
|---|---|---|---|---|
| Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019, 02.03.2020 und 21.03.2023] | Variante 1 | 1. o. 3. | one semester | Compulsory optional subject |
| Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019, 02.03.2020 und 21.03.2023] | Variante 2 | 1. o. 3. | one semester | Compulsory optional subject |
| Intelligent Systems / Master of Science [FsB vom 27.07.2018 mit Änderung vom 04.06.2020] | 1. | one semester | Compulsory optional subject | |
| Intelligent Systems / Master of Science [FsB vom 17.12.2012 mit Änderungen vom 15.04.2013, 01.04.2014, 15.10.2014, 02.03.2015 und Berichtigung vom 17.11.2014] | 1. o. 3. | one semester | Compulsory optional subject | |
| Informatics for the Natural Sciences / Master of Science [FsB vom 30.09.2016 mit Berichtigung vom 10.01.2017 und Änderungen vom 15.09.2017, 02.05.2018, 04.06.2020 und 31.03.2023] | 1. o. 3. | one semester | Compulsory optional subject | |
| Informatics for the Natural Sciences / Master of Science [FsB vom 17.12.2012 mit Änderungen vom 15.04.2013, 01.04.2014, 15.10.2014, 02.03.2015, 01.12.2015 und Berichtigungen vom 01.04.2014, 17.11.2014 und 12.07.2017] | 1. o. 3. | one semester | Compulsory optional subject |
The system can perform an automatic check for completeness for this module.