Friedrich-Schiller-Universität Jena

Name des Moduls	[50340] Maschinelles Lernen und Datamining	Bezeichnung des Moduls	FMI-IN0034

Studiengang	[079] - Informatik	ECTS Punkte	6

Arbeitsaufwand für Selbststudium	120	Häufigkeit des Angebotes (Modulturnus)	jedes 2. Semester (ab Wintersemester)
Arbeitsaufwand in Präsenzstunden	60	Dauer des Moduls	1
Arbeitsaufwand Summe (Workload)	180

Modul-Verantwortliche/r	Paul Bodesheim
Voraussetzung für die Vergabe von Leistungspunkten (Prüfungsform)	Klausur (120min) oder mündliche Prüfung (30min) zur Vorlesung (100%)
Empfohlene Literatur	Bishop, Christopher: Pattern Recognition and Machine Learning. Springer, 2006. Mitchell, Tom Michael: Machine Learning. McGraw-Hill, 1997. Edwards, David: Introduction to Graphical Modelling. New York, Springer, 1995.
Unterrichtssprache	Deutsch
Voraussetzung für die Zulassung zum Modul	keine
Empfohlene bzw. erwartete Vorkenntnisse	FMI-IN0036 (Mustererkennung)
Art des Moduls (Pflicht-, Wahlpflicht- oder Wahlmodul)	- 079 LA Regelschule Informatik: Wahlpflichtmodul (Intelligente Systeme) - 079 LA Gymnasium Informatik: Wahlpflichtmodul (Intelligente Systeme) - 079 LA RS (Erweiterung) Informatik (PO-V. 2020): Wahlpflichtmodul (Intelligente Systeme) - 079 B.Sc. Informatik: Wahlpflichtmodul (INT; Konto C: Mathematik/Informatik) - 079 M.Sc. Informatik (PO-V. 2016): Wahlpflichtmodul (INT; Vertiefung KIMA) - 105 B.Sc. Mathematik: Wahlpflichtmodul (NF Informatik) - 105 M.Sc. Mathematik: Wahlpflichtmodul (NF Informatik) - 200 M.Sc. Computational and Data Science: Wahlpflichtmodul - 221 M.Sc. Bioinformatik: Wahlpflichtmodul (Informatik; Bioinformatisch relevante Informatik)
Zusammensetzung des Moduls / Lehrformen (V, Ü, S, Praktikum, …)	4 SWS Vorlesung/Übung
Inhalte	Strukturaufdeckung, Klassifizierung oder Entwicklungsvorhersage aus großen Datenfluten (Finanzprozesse, Handel und Transport, med./biol. Datensätze, Klimamesswerte, elektronische Dokumente, Fertigungsautomatisierung) Vorlesungsthemen sind u.a.: Skalentypen; Visualisierung hochdimensionaler Daten (PCA, MDS, ICA); überwachte Lernverfahren (Versionenraum, Entscheidungsbaum, lineare/logistische Modelle); unüberwachte Lernverfahren (hierarchisch, (fuzzy) K-means, spektral); Graphische Modelle (Bayesnetze, Markovnetze, Induktion und Inferenz)
Lern- und Qualifikationsziele	Tiefgreifende Fachkenntnisse des Gebiets Maschinelles Lernen Fähigkeit zur Analyse, Design und Realisierung von ML-Systemen Flächendeckende Übersicht aktueller Techniken des Datamining Vertiefte Kenntnisse im Gebiet „Graphische Modelle"
Voraussetzung für die Zulassung zur Modulprüfung	keine