Mindestens jedes 2. Wintersemester
5 Leistungspunkte
Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.
In diesem Modul lernen Studierende die Modellierung komplexer Sachverhalte mit fortgeschrittenen Techniken und Methoden der Datenanalyse. Dieses beinhaltet insbesondere, wie man in komplexen Situationen mit unklarer Aufgabenstellung durch Wahl einer geeigneten Strukturierung nützliche Information effizient aus gegebenen Daten extrahieren kann, und wie diese grundständigen Ideen zu konkreten Algorithmen und zugrundeliegenden Garantien formalisiert werden können.
Within this module, students learn how to model complex tasks by means of advanced techniques and methods of data analysis. This includes in particular the question how useful information can be extracted in complex settings without a clear specified objective, and how such basic mathematical models with suitable regularisation or prior can be turned towards efficient algorithms and accompanying theoretical guarantees.
In diesem Modulen sollen moderne Verfahren der automatischen Datenanalyse betrachtet werden, wobei ein besonderer Aspekt auf die Effizienz der Darstellung, der Formalisierung, bzw. der Algorithmen selber gelegt wird. Themen sind der aktuellen Literatur entnommen, und beinhalten etwa Aspekte zu slow feature analysis, sparse coding und compressed sensing, core vector machines, time series metrics, und Gaussian processes.
Within this module, the focus lies on modern techniques for automated data analysis with a particular focus on its efficient representation, formalisation, and algorithmic realisation. Topics are taken from the recent research literature, touching on aspects such as slow feature analysis, sparse coding and compressed sensing, core vector machines, time series metrics, and Gaussian processes.
Grundkenntnisse in Algorithmen und Datenstrukturen oder vergleichbare Kenntnisse, Mathematik, Grundlagen des maschinellen Lernens oder der Mustererkennung
Introduction to computer science (such as algorithms and data structures), mathematics, basic knowledge in machine learning or pattern recognition
—
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.
Modulstruktur: 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 Übungs- oder Programmieraufgaben, die veranstaltungsbegleitend und in der Regel zweiwöchentlich gestellt werden, und mündlicher Abschlussprüfung (in der Regel 15 min). Die Übungsaufgaben ergänzen und vertiefen den Inhalt der Vorlesung.
Nachweis einer ausreichenden Zahl korrekt gelöster Übungsaufgaben (in der Regel 50% der im Semester für das Lösen der Aufgaben erzielbaren Punkte).
Die abschließende mündliche Prüfung bezieht sich auf den Stoff der Vorlesung und der Übungen bzw. Projekt.
Portfolio consisting of per default two-weekly exercises or programming tasks and final oral exam (per default 15 minutes). The exercises are based on the content of the lecture and enable students to train and further investigate the topics. It is required that a sufficient percentage of the exercises are successfully completed (per default 50% of the total number of points which can be achieved during a semester). The final oral exam concerns both, the content of the lecture as well as the exercises.
| Studiengang | Profil | Empf. Beginn 3 | Dauer | Bindung 4 |
|---|---|---|---|---|
| Bioinformatik und Genomforschung / Master of Science [FsB vom 30.09.2016 mit Änderungen vom 15.09.2017, 02.05.2018, 04.06.2020 und 31.03.2023] | 1. o. 3. | ein Semester | Wahlpflicht | |
| Bioinformatik und Genomforschung / Master of Science [FsB vom 17.12.2012 mit Änderungen vom 15.04.2013, 15.10.2014, 02.03.2015, 17.08.2015 und Berichtigungen vom 17.11.2014 und 01.12.2015] | 1. o. 2. o. 3. | ein Semester | Wahlpflicht | |
| 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 | 3. | ein Semester | Wahlpflicht |
| 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 | 3. | ein Semester | Wahlpflicht |
| Intelligente Systeme / Master of Science [FsB vom 27.07.2018 mit Änderung vom 04.06.2020] | 1. o. 2. o. 3. | ein Semester | Wahlpflicht | |
| Intelligente Systeme / 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. 2. o. 3. | ein Semester | Wahlpflicht | |
| Naturwissenschaftliche Informatik / 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. 2. o. 3. | ein Semester | Wahlpflicht | |
| Naturwissenschaftliche Informatik / 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. 2. o. 3. | ein Semester | Wahlpflicht |
In diesem Modul kann eine automatische Vollständigkeitsprüfung vom System durchgeführt werden.
Bioinformatik und Genomforschung / Master of Science
Data Science / Master of Science // Variante 1
Data Science / Master of Science // Variante 2
Intelligente Systeme / Master of Science [FsB vom 27.07.2018 mit Änderung vom 04.06.2020]