INF.08636.01 - Maschinelles Lernen mit empirischen Daten I (Vollständige Modulbeschreibung)

INF.08636.01	5 CP
Modulbezeichnung	Maschinelles Lernen mit empirischen Daten I
Modulcode	INF.08636.01
Semester der erstmaligen Durchführung
Fachbereich/Institut	Institut für Informatik
Verwendet in Studiengängen / Semestern	Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Bioinformatik (HI) (Anteil gem. § 5 Abs. 4-6, Anlage 2) Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bioinformatik` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `eHumanities`
Modulverantwortliche/r
Weitere verantwortliche Personen	Jun.-Prof. Dr. Thomas Schmid
Teilnahmevoraussetzungen
Kompetenzziele	Nach der aktiven Teilnahme am Modul ''Maschinelles Lernen mit empirischen Daten I'' können die Studierenden: wesentliche Prinzipien, nach denen empirische Wissenschaften arbeiten, nachvollziehen ausgewählte Methoden und Arbeitsweisen empirischer Wissenschaften nachvollziehen relevante Primärliteratur im Bereich Maschinelles Lernen sowie aus einer empirischen Wissenschaft finden und einordnen sich kritisch und reflektiert mit Primärliteratur im Bereich Maschinelles Lernen sowie aus einer empirischen Wissenschaft auseinandersetzen einen wissenschaftlichen Beitrag nach sachlichen Kriterien bewerten einen wissenschaftlichen Beitrag selbst erstellen ein gegebenes Thema als wissenschaftlichen Vortrag aufbereiten und im Rahmen einer Fachdiskussion selbstständig inhaltlich vertreten
Modulinhalte	Vorlesung ''Empirie und Automatisierung'': Erkenntnis durch Lernen Erkenntnis durch Modellbildung Planung und Durchführung empirischer Studien Intersubjektivität Clusteranalyse und Dimensionsreduktion Statistisch motiviertes vs. neuroinspiriertes Lernen Regression und Klassifikation Paradigmen intelligenter Systeme Algorithmische und gesellschaftliche Herausforderungen Seminar ''Empirie und Automatisierung'': Vertiefung ausgewählter Vorlesungsinhalte Selbständige Aufbereitung von Themen als wissenschaftliche Beiträge Kollegiale Begutachtung wissenschaftlicher Beiträge mittels Peer Review Mündliche Präsentation und Diskussion gegebener Themen
Lehrveranstaltungsformen	Vorlesung (2 SWS) Seminar (2 SWS) Kursus
Unterrichtsprachen	Deutsch, Englisch
Dauer in Semestern	1 Semester Semester
Angebotsrhythmus Modul	jedes Sommersemester
Aufnahmekapazität Modul	unbegrenzt
Prüfungsebene
Credit-Points	5 CP
Modulabschlussnote	LV 1: %; LV 2: %; LV 3: %.
Faktor der Modulnote für die Endnote des Studiengangs	1

Modulveranstaltung	Lehrveranstaltungsform	Veranstaltungstitel	SWS	Workload selbstgestaltete Arbeit	Workload Summe
LV 1	Vorlesung	Vorlesung	2		0
LV 2	Seminar	Seminar	2		0
LV 3	Kursus	Selbststudium			0
Workload modulbezogen				150	150
Workload Modul insgesamt					150

Prüfung	Prüfungsvorleistung	Prüfungsform
LV 1
LV 2
LV 3
Gesamtmodul		Mündliche Leistung (30 Minuten), Bericht (10 Seiten)
Wiederholungsprüfung

Regularien	Angebotsrhythmus	Anwesenheitspflicht	Gewicht an Modulnote in %
LV 1	Sommersemester	Nein	%
LV 2	Sommersemester	Nein	%
LV 3	Sommersemester	Nein	%