TH Köln

Master Digital Sciences

Dokumente zur Akkreditierung des Studiengangs

Modul »Advanced Machine Learning« (AML)

Informationen zur Organisation des Moduls

Modulverantwortung
Prof. Dr. Gernot Heisenberg (Fakultät F03)
Lehrende
Prof. Dr. Gernot Heisenberg (Fakultät F03), Prof. Dr. Konrad Förstner (Fakultät F03)
Sprache
Englisch
Angeboten im
Wintersemester (Dauer 1 Semester)
Ort
Campus Köln Süd, oder remote
Anzahl Teilnehmer*innen
minimal 5, maximal 20
Vorbedingung
keine
Empfehlung
Coding Skills in Python
ECTS
6
Aufwand
Gesamtaufwand 180h
Kontaktzeit
48h (24h Vorlesung / 24h Übung)
Selbstlernzeit
132h
Prüfung
Semesterbegleitendes Projekt mit Fachgespräch
Vermittelte Kompetenzen
Analyze Domains, Model Systems, Implement Concepts, Optimize Systems
Beziehung zu globalen Studiengangskriterien
Interdisziplinarität, Digitalisierung, Transfer

Beitrag zu Handlungsfeldern

Nachfolgend ist die Zuordnung des Moduls zu den Handlungsfeldern des Studiengangs aufgeführt, und zwar als anteiliger Beitrag (als ECTS und inhaltlich). Dies gibt auch Auskunft über die Verwendbarkeit des Moduls in anderen Studiengängen und über die Beziehung zu anderen Modulen im selben Studiengang.

Handlungsfeld ECTS (anteilig) Modulbeitrag zum Handlungsfeld
Generating and Accessing Knowledge 3

This specialization recaps quickly the machine learning and especially deep learning principles, then dives deeper into current topics of the field.

Architecting and Coding Software 2

This module includes software development (notebooks)

Acting Responsibly 1

This module teaches how to deal with data and knowledge generating methods responsibly, acounting for ethics, privacy and security.

Learning Outcome

This specialization recaps quickly the machine learning and especially deep learning principles.

(WHAT?)

The student dives into the following topics

  • Advanced methods for attribute selection
  • Reinforcement learning
  • Generative Adversarial Networks
  • Special topics such as:
    • Bidirectional Encoder Representations from Transformers (BERT)
    • Explainable Machine Learning using LIME and ILP approaches

(HOW?)

… by …

filling their knowledge gaps between theory and practice while applying the methods in python solving natural language understanding and special computer vision real-world problems

(WHY?)

for being able to apply modern machine learning methods in enterprises and research and understand the caveats of real-world data and settings.

Inhaltliche Beschreibung des Moduls

  • ML and DL principles (recap)
  • Feature Selection
  • Reinforcement learning
  • Generative Adversarial Networks
  • Bidirectional Encoder Representations from Transformers (BERT)
  • Explainable Machine Learning using
    • local interpretable model-agnostic explanations
    • inductive logic programing

Lehr- und Lernformen

  • Lecture
  • Exercises and software development (notebooks)
  • Accompanying project work by analyzing data sets

Zur Verfügung gestelltes Lehrmaterial

  • List of selected literature and web resources
  • Lecture slides
  • Video tutorials
  • Exercises and code tutorials
  • Example code and notebooks on github and Colab
  • Data sets and models

Weiterführende Literatur

  • Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning (Adaptive Computation and Machine Learning), MIT Press, Cambridge (USA), 2016. ISBN 978-0262035613.
  • Neural Networks and Deep Learning by Michael Nielsen, ONline Book, http://neuralnetworksanddeeplearning.com/
  • Friedman, Jerome, Trevor Hastie, and Robert Tibshirani. “The elements of statistical learning”. www.web.stanford.edu/~hastie/ElemStatLearn/ (2009)
  • Doshi-Velez, Finale, and Been Kim. “Towards a rigorous science of interpretable machine learning,” no. Ml: 1–13. http://arxiv.org/abs/1702.08608 (2017)