Engineering ML-based Systems

Lehrinhalte

Die Vorlesung vermittelt einen Überblick über die Entwicklung von Software, die Komponenten des maschinellen Lernens einsetzt, und festigt das vermittelte Wissen durch die Einbettung praktischer Übungen, Diskussion von Anwendungsszenarien sowie durch begleitende Projekte. Im Fokus stehen dabei insbesondere die Arbeiten, die von einem Entwicklungs-Team zum erfolgreichen Launch einer Anwendung oder Komponente, die Verfahren des maschinellen Lernens einsetzt, durchgeführt werden müssen. Die Studierenden lernen, wie klassisches Software Engineering mit den für maschinelles Lernen notwendigen Arbeiten verknüpft wird. Im ersten Teil der Vorlesung werden Anwendungen betrachtet, die überwachtes Lernen einsetzen, und im zweiten Teil Anwendungen, die verstärkendes Lernen verwenden.

Die folgenden Themen werden in der Vorlesung unter anderem behandelt:

• Debugging von ML-Anwendungen
• Data Cleaning, Preprocessing und Augmentation
• Evaluation von ML-Modellen
• Architektur und Auswahl von ML-Modellen
• Prozessmodelle zur Entwicklung von ML-Anwendungen
• Grundlagen des verstärkenden Lernens

Qualifikationsziele

Die Studierenden

• beherrschen die Tätigkeiten, die zur Implementierung von Software, die Komponenten des maschinellen Lernens einsetzt, notwendig sind
• haben Kenntnisse über die inhärente Unsicherheit in Anwendungen, die Komponenten des maschinellen Lernens einsetzen, und wissen, wie mit dieser Unsicherheit umzugehen ist
• verstehen die Notwendigkeit der Erklärbarkeit von Ergebnissen der Algorithmen des maschinellen Lernens
• beherrschen Best Practices bei der Entwicklung von Software, die Komponenten des maschinellen Lernens einsetzt
• verstehen die Bedeutung von domänenspezifischen Faktoren, die die Anwendbarkeit des maschinellen Lernens beeinflussen

Empfohlenes Vorwissen

Grundlagen der Programmierung, Grundlagen des Maschinellen Lernens, Stochastik, Lineare Algebra, Analysis

Für dieses Modul werden Kenntnisse der Programmierung sowie der Grundlagen des Maschinellen Lernens, insbesondere grundlegender Algorithmen des überwachten und unüberwachten Lernens, vorausgesetzt.

Literaturangaben

Geron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly.
Albon, Chris; Langenau, Frank. 2019. Machine Learning Kochbuch: Praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning. O’Reilly.
Bach, Francis; Sutton, Richard S.; Barto, AndrewG. 2018. Reinforcement Learning: An Introduction (Adaptive Computation and Machine Learning). MIT Press.