| Termin |
Datum |
Vorlesung |
Inhalt |
Folien |
Übungsblätter |
| 1 |
13.10.2020 |
1 |
- Vorstellung, Organisatorisches
- Anwendungsfälle für Data Science
- BI, Advanced Analytics & Maschinelles Lernen
- Maschinelles Lernen am Beispiel Klassifikation
- CRISP-DM, Software & Tools
|
|
|
| 2 |
20.10.2020 |
2 |
- Einführung in Python
- Datentypen, Listen
- Eigene Funktionen
|
|
|
| 3 |
27.10.2020 |
3 |
- Vorstellung des Pandas Moduls
- Konzepte von Series und DataFrame
- Rechnen/Filtern mit DataFrames
- Extra-Folien zu Group-By
|
|
|
| 4 |
03.11.2020 |
4 |
- Einführung in das Maschinelle Lernen
- Überwachtes/Unüberwachtes Lernen, Lernaufgaben
- Trainings- und Test-Daten, Modellvalidierung
- Python-Modul SkLearn
|
|
|
| 5 |
10.11.2020 |
5 |
- Entscheidungsbäume, Split-Kriterien
- Klassifikationsfehler, Confusion Matrix
- Klassifikation mit sklearn
|
|
|
| 6 |
17.11.2020 |
TutorialDay |
- Tutorial-Day: Wiederholung von Python und Pandas
|
|
|
| 7 |
24.11.2020 |
6 |
- Lernen nach Ähnlichkeit
- Distanzmaße
- Klassifikation mit k-NN
|
|
|
| 8 |
01.12.2020 |
7 |
- Grundlagen zu Vektorräumen
- Einfaches lineares Modell über Klassenschwerpunkte
- Idee der SVM
|
|
|
| 9 |
08.12.2020 |
8 |
- Lineare Klassifikation
- Klassifikation nicht-linear separierbarer Daten
- Idee der Kernfunktionen
|
|
|
| 10 |
15.12.2020 |
Gastvortrag |
- Gastvortrag: Jonas Rashedi
- Thema: Datengetriebenes Marketing
|
|
|
| 11 |
22.12.2020 |
10 |
- Zusammenfassung der bisherigen Inhalte
- Frage-Runde, Hörspiel-Beispiel
- Probeklausur als Übung über die Feiertage
|
|
|
| 12 |
12.01.2021 |
11 |
- Bearbeitung der Probeklausur
- Besprechung der Lösung
|
|
|
| 13 |
19.01.2021 |
13 |
|
|
|
| 14 |
26.01.2021 |
14 |
- Informationen zur Hausarbeit
- Jupyter-Notebooks mit Markdown, PDF-Export
- Test-Hausarbeit
|
|
|
| 15 |
02.02.2021 |
15 |
- Wiederholung der Infos zur Hausarbeit
- Besprechung der Test-Hausarbeit (Musterlösung)
- Offene Fragerunde zur Hausarbeit
|
|
|
| 16 |
09.02.2021 |
16 |
- Offene Fragerunde
- Wiederholung/Beispiel zu List-Comprehension
- Wiederholung Model-Training
|
|
|
