Spezialisierung Machine Learning

Inhalte des Moduls

Das Modul „Machine Learning – Grundlagen“ vermittelt ein fundiertes Verständnis der theoretischen und praktischen Aspekte des maschinellen Lernens abseits neuronaler Netzwerke. Sie beschäftigen sich mit den grundlegenden Konzepten und Modellen des Machine Learnings, darunter überwachte, unüberwachte und verstärkende Lernmethoden. Besonderes Augenmerk liegt auf der Datenbeschaffung und -aufbereitung, einschließlich strukturierter und unstrukturierter Daten sowie der Nutzung öffentlicher Datenbanken wie MNIST. Sie lernen, Datenqualität zu bewerten und Ansätze zur Datenvisualisierung anzuwenden, beispielsweise mit Tools wie dem Google What-If-Tool. Zudem werden die Prozesse und Vorgehensmodelle des maschinellen Lernens beleuchtet. Praktische Einblicke in gängige Machine-Learning-Tools und Frameworks wie SciKit, XGBoost oder Azure Machine Learning ergänzen den theoretischen Teil. Eine Transferaufgabe, bei der Sie ein einfaches Modell umsetzen und die Ergebnisse in einer Online-Sprechstunde diskutieren, vertieft Ihr Wissen und Ihre praktischen Fähigkeiten.

Vermittelte Kompetenzen

Nach Abschluss des Moduls verfügen Sie über umfassende Fach-, Methoden-, Selbst- und Sozialkompetenzen. Sie sind in der Lage, die Konzepte des maschinellen Lernens zu verstehen und fundiert darzustellen, Datenquellen zu analysieren und die Eignung von Datensätzen für verschiedene Projekte zu bewerten. Darüber hinaus können Sie Machine-Learning-Modelle wie Entscheidungsbäume, Bayes-Regeln oder Support Vector Machines erklären und deren Vor- und Nachteile sowie Anwendungsbereiche erläutern. Sie lernen, geeignete Technologien und Modelle für konkrete Fragestellungen auszuwählen und mit einer Plattform ein einfaches Modell praktisch umzusetzen. Gleichzeitig entwickeln Sie analytische und wissenschaftliche Selbstkompetenzen, die Ihnen helfen, aktuelle Entwicklungen eigenständig zu verfolgen. Durch Ihre erworbenen sozialen Fähigkeiten können Sie interdisziplinär kommunizieren, Erwartungen an Machine-Learning-Lösungen managen und Ihre Rolle im Team klar definieren.

Dieses Modul steht Ihnen in den folgenden ECTS-Varianten zur Wahl:

• 60 ECTS
• 90 ECTS
• 120 ECTS

Inhalte des Moduls

Im Modul „Machine Learning – Neuronale Netze & Deep Learning“ erwerben Sie umfassendes Wissen über die theoretischen Grundlagen und praktischen Anwendungsfelder neuronaler Netze und Deep-Learning-Modelle. Sie lernen die Architektur und Funktionsweise von Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) sowie deren Varianten wie Long Short-Term Memory (LSTM) kennen. Der Fokus liegt auf der Beschaffung und Aufbereitung strukturierter und unstrukturierter Daten sowie der Bewertung von Datenqualität, um optimale Voraussetzungen für Training und Test zu schaffen. Ergänzend dazu werden praxisrelevante Prozesse und Vorgehensmodelle für die Entwicklung neuronaler Netze vermittelt. Ein Highlight des Moduls ist die praktische Anwendung, bei der Sie mithilfe führender Technologien und Frameworks wie TensorFlow, PyTorch oder Azure Machine Learning ein Deep-Learning-Modell umsetzen. Diese Transferaufgabe, kombiniert mit theoretischen Inhalten aus Vorlesungen, Videos und Podcasts, ermöglicht es Ihnen, ein eigenes Beispielprojekt zu entwickeln und dessen Ergebnisse im Rahmen einer Online-Sprechstunde zu analysieren.

Vermittelte Kompetenzen

Nach Abschluss des Moduls verfügen Sie über die Fähigkeit, komplexe Konzepte neuronaler Netze fundiert darzustellen und die Anforderungen an Daten für deren Training und Test zu beschreiben. Sie entwickeln ein tiefes Verständnis für CNNs und RNNs, ihre Einsatzmöglichkeiten sowie ihre Vor- und Nachteile. In der Methodenkompetenz lernen Sie, die ideale Netzwerkarchitektur und Technologieplattform für spezifische Fragestellungen auszuwählen und anzuwenden. Durch die Erstellung eines eigenen neuronalen Netzwerks vertiefen Sie Ihre praktischen Fähigkeiten. Darüber hinaus schärfen Sie Ihre analytischen Kompetenzen und entwickeln die Fähigkeit, Datenqualität und Eignung für Projekte kritisch zu bewerten. Ihre Selbstkompetenz wird durch das eigenständige Bearbeiten und Weiterverfolgen von Deep-Learning-Themen gestärkt, während Ihre Sozialkompetenz Sie in die Lage versetzt, Erwartungen an Deep-Learning-Lösungen zu steuern, interdisziplinär zu kommunizieren und effektiv im Team zu arbeiten.

Dieses Modul steht Ihnen in den folgenden ECTS-Varianten zur Wahl:

• 60 ECTS
• 90 ECTS
• 120 ECTS

Inhalte des Moduls

Das Modul „Data Science – Praxisanwendungen“ bietet Ihnen einen umfassenden Einblick in die praktischen Einsatzmöglichkeiten von Data Science in verschiedenen Branchen und Unternehmensbereichen. Im Mittelpunkt stehen konkrete Anwendungsfälle und deren Lösungsansätze, einschließlich der Chancen und Risiken von Data-Science-Projekten. Besondere Schwerpunkte liegen auf Deep-Learning-Modellen für die Sprachverarbeitung (Natural Language Processing) und die Bilderkennung (Computer Vision). Sie lernen, wie neuronale Netze aufgebaut, optimiert und angewendet werden, um spezifische Fragestellungen in der Sprach- und Bilderkennung zu lösen. Neben den theoretischen Grundlagen beschäftigen Sie sich mit der praktischen Entwicklung und Anwendung solcher Modelle, unter anderem durch Transferaufgaben, die individuell besprochen und reflektiert werden. Das Modul schließt mit einer Einsendeaufgabe ab, in der Sie eine Fragestellung sowohl praktisch umsetzen als auch theoretisch diskutieren.

Vermittelte Kompetenzen

Nach Abschluss des Moduls beherrschen Sie den Aufbau und die Anwendung neuronaler Netze für die Sprach- und Bilderkennung und verstehen die zugrunde liegenden Aktivierungsfunktionen wie Sigmoid oder ReLU. Sie können die Rolle von Data Science in Unternehmen erklären und deren Bedeutung als Grundlage datengetriebener Entscheidungen darstellen. Darüber hinaus erwerben Sie die Fähigkeit, Deep-Learning-Modelle kontinuierlich zu optimieren und deren Anwendungsmöglichkeiten kritisch zu bewerten. Ihre Methodenkompetenz umfasst die Analyse von Integrationsmöglichkeiten KI-basierter Komponenten sowie die Beurteilung der Wirtschaftlichkeit, Chancen und Risiken von Data-Science-Projekten. Gleichzeitig stärken Sie Ihre Selbstkompetenz durch die eigenständige Planung, Durchführung und kritische Reflexion von Projekten. Ihre Sozialkompetenz erlaubt es Ihnen, Anwendungsmöglichkeiten zielgruppengerecht zu präsentieren, sich interdisziplinär auszutauschen und überzeugende Problemlösungen zu entwickeln und zu kommunizieren.

Dieses Modul steht Ihnen in den folgenden ECTS-Varianten zur Wahl:

• 60 ECTS
• 90 ECTS
• 120 ECTS

Inhalte des Moduls

Im Modul „Qualitätssicherung und Erklärbarkeit in der Datenwissenschaft“ beschäftigen Sie sich mit den theoretischen Grundlagen und praxisorientierten Methoden zur Sicherstellung der Daten- und Modellqualität in Machine-Learning-Projekten. Sie lernen, Datenqualität zu definieren, typische Fehler zu erkennen und mit geeigneten Maßnahmen zu beheben. Ein besonderer Fokus liegt auf der explorativen Datenanalyse als Grundlage für die Modellqualität, bei der Tools wie R zur Visualisierung und Analyse von Daten genutzt werden. Ergänzend dazu behandeln Sie Methoden zur Qualitätssicherung, die sowohl konstruktiv als auch analytisch eingesetzt werden können, sowie Ansätze zur Beurteilung des Reifegrades von ML-Modellen. Sie setzen sich mit der Problematik der Blackbox in der KI auseinander und lernen Tools wie LIME oder LRP kennen, die zur Erklärbarkeit und Interpretation von Modellen beitragen. Die Inhalte werden durch ein abschließendes Capstone-Projekt vertieft, das praxisnah Herausforderungen und Lösungen im Bereich der Qualitätssicherung und Erklärbarkeit behandelt.

Vermittelte Kompetenzen

Nach Abschluss des Moduls sind Sie in der Lage, Datenqualität fundiert zu bewerten und Maßnahmen zur Sicherstellung und Verbesserung der Qualität in Machine-Learning-Projekten zu entwickeln. Sie beherrschen die Anwendung von Tools und Methoden zur Datenanalyse und Qualitätssicherung und können rudimentäre Qualitätssicherungskonzepte sowie Risikobewertungen für ML-Projekte erstellen. Darüber hinaus schärfen Sie Ihre Fähigkeit, die Qualität und Vertrauenswürdigkeit KI-basierter Entscheidungsvorschläge kritisch zu beurteilen und deren Erklärbarkeit mithilfe moderner Ansätze zu verbessern. Ihre Selbstkompetenz wird gestärkt, indem Sie Verantwortung für Qualitätsfragen übernehmen und eine reflektierte Haltung zur Qualität im Machine Learning entwickeln. Zudem erweitern Sie Ihre Sozialkompetenz, indem Sie Qualitätsfragen fachlich korrekt kommunizieren, Akteure in Projekten beraten und aktiv an der Entwicklung von Qualitätskonzepten mitwirken.

Dieses Modul steht Ihnen in den folgenden ECTS-Varianten zur Wahl:

• 60 ECTS
• 90 ECTS
• 120 ECTS