|
Lehrende: Dr. Manfred Eppe
Veranstaltungsart:
ABK-Kurse
Anzeige im Stundenplan:
MKKI-basiert Proz
Semesterwochenstunden:
2
Unterrichtssprache:
Deutsch
Min. | Max. Teilnehmerzahl:
- | 25
Anmeldegruppe: Anmeldegruppe Methodenkompetenz
Kommentare/ Inhalte:
Wie kann man aus den immer größer werdenden Datenmengen, die bei wissenschaftlichen Experimenten anfallen, Schlüsse ziehen und Hypothesen überprüfen? Wie kann man diese Daten visualisieren und analysieren? Welche Tools sind dafür nützlich, und wie bedient man diese?
Dieser Kurs addressiert diese Fragen und beschäftigt sich mit modernen KI-basierten Methoden der Datenwissenschaften. Dabei sollen die Studierenden lernen, die Programmiersprache Python und datenwissenschaftliche Bibliotheken zu benutzen um Hypothesen aufzustellen, und anhand von erhobenen Daten zu verifizieren oder zu falsifizieren. Insbesondere werden dabei künstliche Neuronale Netze zur Klassifizierung, Regression und Gruppierung von Daten verwendet.
Neben den praktischen Aspekten wird aber auch ein großes Augenmerk auf wissenschaftliches Arbeiten gelegt. Was ist eine Forschungsfrage, und wie formuliert man diese? Was ist ein Forschungsziel? Wie schreibt man eine Forschungsarbeit auf, und wie macht man das alles im Team? Anhand eines Mini-Projektes werden diese Fragen behandelt.
Für die Zeiträume zwischen den drei Blöcken ist zwar formell keine Anwesenheit erforderlich, aber es wird erwartet, dass sich die Studierenden selbstständig in ihren Teams koordinieren, um in den Blockpausen intensiv (in Vollzeit) an den Mini-projekten zu arbeiten.
Vorkenntnisse in Python, Statistik und anderen Grundlagen ist von Vorteil, aber nicht erforderlich. Wichtiger ist eine persönliche Begeisterungsfähigkeit für wissenschaftliches Arbeiten und Künstliche Intelligenz.
Lernziel:
Das Seminar dient zur Vermittlung der folgenden Kompetenzen:
* Benutzen und Verstehen von KI-basierten datenwissenschaftlichen Werkzeugen
* Erstellen und formulieren von Forschungsfragen und Hypothesen
* In einer Ausarbeitung ein komplexes Thema verständlich darstellen und evaluieren
* Mit einem Vortrag ein komplexes Thema verständlich präsentieren
* Wissenschaftliches Arbeiten im Team
Außerdem sollen die entsprechenden fachlichen Inhalte im Rahmen eines Mini-Projektes erarbeitet und verinnerlicht werden.
Vorgehen:
Im ersten Block (24./25.8.) werden klassische Methoden der Datenwissenschaften behandelt. Dann bekommen die Studierenden zwei Tage Zeit, um vorläufige Ergebnisse des Mini-projektes zu generieren. Im zweiten Block (28.8.) sollen dann neuronale Netze verwendet werden, um die Ergebnisse mittels dieser Methode zu verifizieren. Die verschiedenen Methoden können dabei durchaus unterschiedliche Ergebnisse zur selben Forschungsfrage erzeugen. So werden die Studierenden darin geschult, die Methoden zu diskutieren und Rückschlüsse über die unterschiedlichen Ergebnisse zu ziehen. Diese abschließende Diskussion soll mit einem Vortrag im dritten Block (4.9.) präsentiert werden.
Literatur:
Ge´ron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. O’Reilly Media.
VanderPlas, J. (2016). Python Data Science Handbook: essential tools for working with data. O’Reilly Media.
www.kaggle.com
Zusätzliche Hinweise zu Prüfungen:
Intensives Arbeiten wird auch in den Blockpausen erwartet. Die Bewertung wird anhand der Abschlusspräsentation und des Reports vorgenommen.
|
