### Status fertig ###
### PO 2024 ###
### Studiengang und Semester
6BaI, 8BaIP
### Modulbezeichnung
Maschinelles Lernen 2
### Englische Modulbezeichnung
Machine Learning 2
### Modulsprache
Deutsch
### Modulkuerzel MAL2 ###
### Art
Wahlpflichtfach Zertifikat Data Science
### ECTS-Punkte
5
### Studentische Arbeitsbelastung
60,90
### Voraussetzungen (laut Prüfungsordnung)
BI: Mathematik 1, Mathematik 2, Programmieren 1, Programmieren 2
BIPV: Mathematik 1, Mathematik 2,  Grundlagen der Programmierung 1, Grundlagen der Programmierung 2
### Empfohlene Voraussetzungen
Maschinelles Lernen 1, Maschinelles Sehen, Algorithmen und Datenstrukturen, Data Science
### Pruefungsform und -dauer
Klausur 1,5h oder mündliche Prüfung oder Studienarbeit
### Lehrmethoden und Lernmethoden
Seminar
### Modulverantwortlicher
N. N.
### Qualifikationsziele
Die Studierenden sind in der Lage konkrete Problemstellungen im Kontext des maschinellen Lernens zu analysieren. Sie kennen wichtige Machine Learning und Deep Learning Bibliotheken und können diese für konkrete Aufgabenstellungen aus unterschiedlichen Domänen anwenden. Die Studierenden verstehen den Prozess der Integration von Modellen in modulare Cloud-Umgebungen und können diesen für einfache Beispiele realisieren.
### Lehrinhalte
Auf Basis des Moduls Maschinelles Lernen 1 lernen die Studierenden weitergehende Konzepte und Methoden (bspw. probabilistische Modelle, Deep Learning) mit praktischen Übungen aus unterschiedlichen Domänen (bspw. Maschinelles Sehen, Computerlinguistik) kennen. Die Studierenden lernen wie Modelle in modulare Systemlandschaften mittels Containerisierung (bspw. Docker, Kubernetes) und Daten-Pipelines (bspw. Apache Kafka, PostgreSQL) integriert und überwacht (bspw. Grafana) werden.
### Literatur
Russel, S.; Norvig, P.: Artifical Intelligence - A Modern Approach, Pearson, 2021.
### Titel der Lehrveranstaltung
Maschinelles Lernen 2
### Dozent
N. N.
### SWS
2
### Titel der Lehrveranstaltung
Praktikum Maschinelles Lernen 2
### Dozent
N. N.
### WiMi
N. N.
### SWS
2