INF.08636.02 - Maschinelles Lernen mit empirischen Daten I (Complete module description)

INF.08636.02	5 CP
Module label	Maschinelles Lernen mit empirischen Daten I
Module code	INF.08636.02
Semester of first implementation
Faculty/Institute	Institut für Informatik
Module used in courses of study / semesters	Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation valid from SoSe 2023 > Bioinformatik (HI) (Anteil gem. § 5 Abs. 4-6, Anlage 2) Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bioinformatik` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Datenbanken und Informationssysteme` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `eHumanities`
Responsible person for this module
Further responsible persons	Jun.-Prof. Dr. Thomas Schmid
Prerequisites
Skills to be acquired in this module	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
Module contents	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
Forms of instruction	Lecture (2 SWS) Seminar (2 SWS) Course
Languages of instruction	German, English
Duration (semesters)	1 Semester Semester
Module frequency	jedes Wintersemester
Module capacity	unrestricted
Time of examination
Credit points	5 CP
Share on module final degree	Course 1: %; Course 2: %; Course 3: %.
Share of module grade on the course of study's final grade	1

Module course label	Course type	Course title	SWS	Workload of independent learning	Sum workload
Course 1	Lecture	Vorlesung	2		0
Course 2	Seminar	Seminar	2		0
Course 3	Course	Selbststudium			0
Workload by module				150	150
Total module workload					150

Examination	Exam prerequisites	Type of examination
Course 1
Course 2
Course 3
Final exam of module		Mündliche Leistung (30 Minuten), Bericht (10 Seiten)
Exam repetition information

Prerequisites and conditions	Frequency	Compulsory attendance	Share on module grade in percent
Course 1	Winter semester	No	%
Course 2	Winter semester	No	%
Course 3	Winter semester	No	%