Zertifikatsstudium Machine Learning: Modulinhalte

Das zweisemestrige Zertifikat setzt sich aus vier Fachmodulen zusammen. Im ersten Semester erwerben Sie die für Data Science relevanten Grundlagen der Mathematik und des maschinellen Lernens (DS-F1 und DS-F2). Im zweiten Semester vertiefen Sie die Inhalte und knüpfen an neueste Erkenntnisse der Forschung an (DS-F3 und DS-F4).

Hierbei profitieren Sie von der Möglichkeit, berufliche Fragestellungen und Projekte zu bearbeiten sowie persönliche Interessen miteinzubringen.

Die Module im Zertifikat Machine Learning im Überblick

  • DS-F1: Mathematik & Statistik (5 CP)
  • DS-F2: Grundlagen des maschinellen Lernens (5 CP)
  • DS-F3: Deep Learning / Neuronale Netze (5 CP)
  • DS-F4 Vertiefung des maschinellen Lernens (5 CP)

Die Module im Zertifikat Machine Learning im Überblick

DS-F1: Mathematik & Statistik (5 CP)

Sie lernen die wichtigsten mathematischen Grundlagen und Methoden der Datenwissenschaften kennen. Die Themen umfassen zum Beispiel:

  • Skalare, Vektoren, Matrizen und grundlegende Operationen (Multiplikation, Determinante etc.)
  • Normen von Vektoren und Matrizen
  • Eigenvektoren und Eigenwerte
  • (partielle) Differentiale und Gradienten
  • Optimierung von Funktionen mit einem oder mehreren Argumenten und Nebenbedingungen
  • Statistische Testverfahren
  • Diskrete und kontinuierliche Zufallsvariablen

Ausgewählte Wahrscheinlichkeitsverteilungen und ihre Eigenschaften (Erwartungswert etc.)

DS-F2: Grundlagen des maschinellen Lernens (5 CP)

Sie lernen die wichtigsten Grundlagen und Konzepte des maschinellen Lernens kennen, wie zum Beispiel:

  • Empirische Risikominimierung (Lineare Regression, logistische Regression, Perzeptron)
  • Regularisierte empirische Risikominimierung (Regularized Least Squares Regression, Support Vector Machines)
  • Kernel Methods
  • Entscheidungsbäume
  • Clustering (k-means, Expectation Maximization)

DS-F3: Deep Learning / Neuronale Netze (5 CP)

Sie lernen die Grundlagen von (tiefen) neuronalen Netzwerken und ausgewählte Netz-Architekturen zum Lösen unterschiedlicher Problemstellungen. Themen sind zum Beispiel:

  • Feedforward Neural Networks
  • Unterschiedliche Aktivierungsfunktionen und Aufbau von Netzwerk-Layern
  • Training von neuronalen Netzen via Gradient Descent, Backpropagation, unterschiedlichen „Loss“-Funktionen und Optimierungsalgorithmen
  • „Vanishing gradients“ und Initialisierung von neuronalen Netzen
  • Netz-Architekturen wie
    • Convolutional Neural Networks (convolutions, padding, stride, dilated convolutions)
    • Autoencoder
    • Rekurrente neuronale Netzwerke
    • Generative Adversarial Neural Networks

DS-F4 Vertiefung des maschinellen Lernens (5 CP)

Aufbauend auf den grundlegenden Modulen aus dem ersten Semester werden in diesem Modul ausgewählte und fortgeschrittene Methoden und Problemstellungen des maschinellen Lernens thematisiert, wie zum Beispiel:

  • Probabilistische graphische Modelle (Modellierung und Inferenz)
  • Strukturierte (sequentielle) Problemstellungen
  • Ausgewählte Themen nach aktuellem Stand der Forschung, wie z. B.
    • Gaussian Processes
    • Reinforcement Learning
    • Mixture Models

Wichtige Ordnungen und Informationen für Ihr Studium

Die Ordnungen zur Zulassung, die Rahmenprüfungsordnung (RPO) sowie die Fachspezifischen Anlagen (FSA) finden Sie hier.

Kontakt & Beratung

Koordination

Maria Kruse, M.A.
Universitätsallee 1, C4.308a
21335 Lüneburg
Fon +49.4131.677-2129
maria.kruse@leuphana.de

E-Mail-Kontakt

Sie erreichen das Team des Studiengangs jederzeit unter der folgenden E-Mail datascience@leuphana.de.