Machine Learning - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Machine Learning im Studiengang Bachelor Data Science 2025
Modulnummer	201313
Prüfungsnummer	220506
Fakultät	Fakultät für Informatik und Automatisierung
Fachgebietsnummer	2252 (Data-intensive Systems and Visualization)
Modulverantwortliche(r)	Prof. Dr. Patrick Mäder
Turnus	Wintersemester
Sprache	Englisch
Leistungspunkte	5
Präsenzstudium (h)	45
Selbststudium (h)	105
Verpflichtung	Pflichtmodul
Abschluss	Prüfungsleistung mit mehreren Teilleistungen
Details zum Abschluss	Das Modul Machine Learning mit der Prüfungsnummer 220506 schließt mit folgenden Leistungen ab: alternative semesterbegleitende Prüfungsleistung mit einer Wichtung von 50% (Prüfungsnummer: 2200900) alternative semesterbegleitende Prüfungsleistung mit einer Wichtung von 50% (Prüfungsnummer: 2200901) Details zum Abschluss Teilleistung 1: one or multiple written tests consisting of multiple-choice and free-form questions evaluating the professional competence in the course's topics preferably conducted digitally via Moodle and on the students' personal devices final results may be scaled or individual questions may be excluded depending on statistical analysis of the results Details zum Abschluss Teilleistung 2: examination via practical, e.g. coding, assignments to be conducted in person in class or at home evaluating methodological and practical competence potentially presenting the results in class
Link zum Moodle-Kurs
Lehrende	Prof. Mäder
Anmeldemodalitäten für alternative PL oder SL	Dieses Modul enthält mindestens eine alternative semesterbegleitende Abschlussleistung. Bitte beachten Sie, dass diese in der Regel schon zu Beginn des Semesters, in dem diese angeboten wird, angemeldet werden muss. Über die Details und Zeiträume dazu werden Sie vom Lehrenden und/oder dem Prüfungsamt informiert. Fragen Sie gegebenenfalls unbedingt beim Lehrenden nach.
max. Teilnehmerzahl
Vorkenntnisse	. Fundamentals of mathematics (linear algebra, analysis), probability theory . Basic Python programming skills
Lernergebnisse und erworbene Kompetenzen	Professional competence gained through lectures and examined through written exams: Students have knowledge and can demonstrate knowledge in . - the basic concepts of machine learning, especially supervised learning - mathematical foundations and algorithms for machine learning, including k-nearest neighbors, logistic regression, Gaussian processes and decision trees - selecting and applying model validation techniques such as cross-validation and under/overfitting avoidance - conducting and adapting the process of model evaluation using metrics such as accuracy, precision, recall and F1 score Methodological competence gained through seminars and examined through practical evaluation: Students have the ability . - to apply data pre-processing methods such as normalization and feature engineering - to apply machine learning algorithms to real-world datasets and interpret their performance - to use common machine learning libraries such as Scikit-learn Social competence gained through lectures and seminars: - Students have insights in ethical aspects of machine learning (e.g., bias, autonomous driving) through discussions in lectures and seminars. - Students can discuss advantages and disadvantages of different machine learning comcpets among each other and with their lecturers and gained experience in mastering discussions beyond their mother tongue
Inhalt	The topics covered include: . Introduction to machine learning (supervised, unsupervised, reinforcement learning) . Linear regression and classification models . Decision trees and random forests . Clustering algorithms (k-means, hierarchical clustering) . Model validation and evaluation (cross-validation, ROC curves) . Optimization techniques . Use cases in image processing, text analysis and time series analysis
Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form	presentations, homework task sets as PDF, assignments including code stubs, Jupyter notebooks
Literatur	"Pattern Recognition and Machine Learning" von Christopher M. Bishop "An Introduction to Statistical Learning" von G. James, D. Witten, T. Hastie, R. Tibshirani, J. Taylor "Machine Learning with PyTorch and Scikit-Learn" von S. Raschka
Lehrevaluation