© Fotolia / maciek905

Grundlagenvorlesung

Die interdisziplinäre Einführungsvorlesung "Introduction to Machine Learning" richtet sich an Bachelor- und Master-Studierende verschiedener Fachrichtungen mit heterogenen Vorkenntnissen. Die Vorlesung gibt einen Überblick über die fundamentalen Konzepte und Algorithmen des Machine Learnings und erläutert diese an grundlegenden Anwendungsbeispielen.

Praktika

Im Rahmen von ein- bis zweiwöchigen Praktika (Hackatons) können Studierende in kleinen (ggf. interdisziplinären) Gruppen unter Anleitung an umfassenderen ML- und  KI-Projekten arbeiten, welche thematisch durch aktuelle Forschungsfragen und Anwendungen motiviert sind.

Die Praktika werden voraussichtlich im Wintersemester 2023/24 im Anschluss an die Vorlesungszeit zum ersten Mal angeboten.

Notebooks

In der Bibliothek finden Sie in Form von didaktisch aufbereiteten Jupyter-Notebooks ausgewählte einführende Beispiele, welche die Grundlagenvorlesung begleiten und ergänzen, sowie eine stetig wachsende Anzahl an einfachen Beispiele aus verschiedenen ML- und KI-Anwendungsgebieten.

 

Data Science +

Die kompetente Anwendung von ML und KI setzt nicht nur das Verständnis der entsprechenden Algorithmen voraus, sondern erfordert auch Kenntnisse zur Abfrage von Datenbanken, zum Sammeln von Daten aus dem Internet sowie zur Aufbereitung und Visualisierung von Daten. Dies ist insbesondere bei größeren Data-Science-Projekten oder zur Qualifikation für Tätigkeiten in der Wirtschaft essentiell. Aus diesem Grund beinhaltet die Bibliothek auch eine Sammlung von Jupyter-Notebooks, die es ermöglicht, sich diese grundlegenden Data-Science-Kompetenzen schnell und effizient im Selbststudium anzueignen.

Vorbereitende und ergänzende Materialien

  • Mathematische Grundlagen

    Wenig Mathematik im Studium gehabt und das Schulwissen ist auch schon schon etwas angestaubt? - Kein Problem! Ergänzend zur Einführungsvorlesung stellen wir ein Kompendium des benötigten Rüstzeugs zur Verfügung, welches die relevante Schulmathematik wiederholt und erweitert. Das Skript wird im Vorfeld der Vorlesung den Teilnehmenden über das Learnweb an die Hand gegeben.

    Ansprechpartnerin: Dr. Katrin Schmietendorf, katrin.schmietendorf@uni-muenster.de.

  • ML-Pipelines schnell und einfach aufsetzen mit PHOTONAI

    PHOTONAI ist eine High-Level-Python-API für die Entwicklung und die Optimierung von ML-Pipelines. Sie umfasst verschiedene Preprocessing- und Lernalgorithmen aus state-of-the-art Toolboxen, diverse Hyperparameter-Optimierungsstrategien, erweiterte Pipeline-Funktionen und vieles mehr. Hier geht's zur Dokumentation.

  • IVV NWZ Selbstlern-Kurs Data Science/Machine Learning

    Der Selbstlernkurs fokussiert sich auf die technischen Aspekte von ML.  Indem er die Studierenden auf strukturierte Weise durch eine Reihe von externen Video-, Audio-, Text- und Software-Ressourcen führt, ermöglicht er ihnen, sich das Thema Data Science mit dem Schwerpunkt ML selbständig anzueignen. Zu den Themen gehören Datenverarbeitung und -analyse, Algorithmen des Maschinellen Lernens sowie Softwarepakete und Tools für Data Science.

    Ansprechpartner: Dr. Martin Korth, dgd@uni-muenster.de.