Inhalt

Abstract:

This course offers an overview of some of the most widely used machine learning (ML) methods that are required for solving data science problems. We present the necessary fundamental for each topic and provide programming exercises. The course includes:

• The common practices for data pre-processing.
• Teaching different tasks regarding regression, classification, and dimensionality reduction using methods including but not limited to linear regression and classification, Support vector machines and Deep neural networks.
• Introduction to Python programming for data science.
• Applying machine learning models on real world engineering applications.

Gliederung:

Introduction to machine learning for engineer’s applications

1. Linear models: Linear regression & Logistic regression
2. Principal component analysis (PCA)
3. Support vector machines
4. Deep learning: Convolutional Neural networks 

Detaillierter Inhalt:

This course presents the fundamentals of machine learning (ML) for students with no prior knowledge in this field. The course covers the most widely used ML models and optimization methods. There are two parts to this course. First, lectures that teach the mathematical formulation of a model and how it works in practice. Second, programming projects, which show how such models are developed and implemented in practice. The projects are completely in alignment with lectures—the programming language of the projects in Python. The necessary Python libraries, such as Tensorflow, are introduced in this course. In this course, students learn:

1. How to build linear models if the data set in the project is small
2. How to use widely used models such as Support Vector Machines 
3. How to apply Deep learning models such as Convolutional Networks Learning such models implies applying optimization problems.
4. This course presents some of the most important optimization methods.

The exam is a written exam.

Lern-/Qualifikationsziele:

-

Lehrveranstaltungstyp:

Kurs

Interaktionsformen mit Betreuer/in:

E-Mail, Chat

Interaktionsformen mit Mitlernenden:

Forum

Kursdemo:

zur Kursdemo

Nutzung

Kurs ist konzipiert für:

Bachelor’s degree: 2-6 semester

Master’s degree: all semesters

Maschinenbau; Mechatronik; Medizintechnik; Wirtschaftsingenieurwesen; International Production Engineering and Management; Elektrotechnik, Elektronik und Informationstechnik; Informations- und Kommunikationstechnik; Energietechnik; Materialwissenschaft und Werkstofftechnik; Elektro- und Informationstechnik; Medical Engineering and Data Science; Erneuerbare Energien und Energiemanagement

Formale Voraussetzungen:

-

Erforderliche Vorkenntnisse:

This course offers an introduction to Machine Learning. There is no need to have any prior knowledge about machine learning.

Hinweise zur Nutzung:

-

Kursumsetzung (verwendete Medien):

-

Erforderliche Technik:

-

Nutzungsentgelte:

für andere Personen als (reguläre) Studenten der vhb Trägerhochschulen nach Maßgabe der Benutzungs- und Entgeltordnung der vhb

Rechte hinsichtlich des Kursmaterials:

-

Verantwortlich

Anbieterhochschule:

Uni Erlangen-Nürnberg (FAU)

Anbieter:

Prof. Dr. Björn Eskofier

Prof. Dr. Michael Kaloudis

Prof. Dr.-Ing. Franz Perschl

Prof. Dr. Ralf Ringler

Prof. Dr.-Ing. Matthias Wenk

Autoren:

Björn Eskofier

Nico Hanenkamp

Jörg Franke

Betreuer:

Franz Koeferl

Prüfung

Written course exam for students

Art der Prüfung:

schriftlicher Leistungsnachweis (Klausur)

Bemerkung:

The examination is written and the date is announced in the course.

Prüfer:

Prof. Dr. Björn Eskofier

Prüfungsanmeldung erforderlich:

ja

Anmeldeverfahren:

Anmeldung direkt im Kurs.

Prüfungsanmeldefrist:

17.05.2021 00:00 Uhr bis 28.05.2021 23:59 Uhr

Prüfungsabmeldefrist:

29.05.2021 00:00 Uhr bis 16.07.2021 23:59 Uhr

Kapazität:

–

Prüfungsdatum:

–

Prüfungszeitraum:

–

Prüfungsdauer:

90 Minuten

Prüfungsort:

Erlangen

Zuständiges Prüfungsamt:

FAU Erlangen-Nürnberg, OTH Amberg-Weiden, TH Rosenheim, TH Aschaffenburg

Zugelassene Hilfsmittel:

None

Formale Voraussetzungen für die Prüfungsteilnahme:

None

Inhaltliche Voraussetzungen für die Prüfungsteilnahme:

Course content

Zertifikat:

Ja (Proof of performance (graded))

Anerkennung:

not yet known