07

März 2018
Erster Workshop

Ziel dieses Workshops war es, eine gemeinsame Basis zwischen den unterschiedlichen Branchen zu schaffen und erste Visionen zu formulieren.

Zu den Ergebnissen

11

April 2018
Zweiter Workshop

Ziel des zweiten Workshops war es, eine ganzheitliche Betrachtung von Gamification im Life Science Kontext zu ermöglichen. Dafür wurde – aufbauend auf dem ersten Workshop – die User Experience (UX), d.h. die Nutzererfahrung, in den Mittelpunkt gerückt.

Zu den Ergebnissen

27

Juni 2018
Dritter Workshop

In einem eintägigen Simulations-Workshop werden wir gemeinsam ihre Gamification Konzepte in regulierten Arbeitswelten entwickeln. Vision trifft auf Wirklichkeit: Realitätsnah mit Argumentationshilfen gegenüber den Entscheidern.

Mehr

Unsere Idee:

Komplexität in hochregulierten Arbeitswelten
spielend beherrschbar machen.

Teilnehmen
Veranstaltungsbeschreibung

143902a R for Machine Learning

Zuletzt geändert:02.06.2025 / Sorace
EDV-Nr:143902a
Studiengänge: Computer Science and Media (Master), Prüfungsleistung im Modul R for Machine Learning in Semester 1 2 3
Häufigkeit: nur WS
Dozent:
Sprache: Deutsch
Art: -
Umfang: 3 SWS
ECTS-Punkte: 5
Workload: Veranstaltung:
15 Termine zu je 3 SWS = 33,75 Zeitstunden
Vor- bzw. Nachbereitung:
15 Termine zu je 10,33 SWS = 116,25 Zeitstunden
Gesamter Zeitaufwand (Workload) = 150 Zeitstunden
Turnus: nur WS

Die Teilnehmerzahl ist begrenzt
Inhaltliche Verbindung zu anderen Lehrveranstaltungen im Modul: Die Veranstaltung baut auf die mathematischen Konzepte der Veranstaltung "143104 Machine Learning" auf.
Prüfungsform:
Bemerkung zur Veranstaltung: Das bestandene Modul 143104 wird vorausgesetzt.
Beschreibung: Die Studierenden müssen anhand konkreter Fallbeispiele Aufgaben im Kontext der Inhalte der Lehrveranstaltung lösen (als Jupyter Notebooks), welche dann in der Vorlesung besprochen werden. Die dann abgegebenen Notebooks bilden die wesentliche Grundlage der Prüfungsleistung (weitere Abstimmung dann in der Vorlesung selbst). Ergänzend werden die wichtigsten theoretischen Konzepte der Use-Cases (siehe nachfolgend) in der Lehrveranstaltung erklärt.

Schwerpunkt liegt in der Anwendung maschineller Verfahren mit Hilfe von R an konkreten Use-Cases aus meinen Bereichen IT-Product- und IT-Project-Management, sowie Digital Analytics. Die Übertragung der erlernten Konzepte und Vorgehensweisen auf andere Domänen-Bereiche ist natürlich gegeben. Die Schwerpunkte selbst, werden jeweils gemeinsam bestimmt: Diese könnten sich zum Beispiel eher auf das traditionelle Machine Learning konzentrieren und/oder auf Deep-Learning-Technologien und/oder auf Gradient-Boosting-/Ensemble-Techniken und/oder auf LLMs (chatGPT etc.) und/oder Diffusions-Modelle (StableFusion etc.) liegen bzw. zusammengesetzt sein.

Einführung in R
  • Datentypen
  • Import/Export
  • Visualisierungsmöglichkeiten
  • Programmierungskonzepte
  • Datenmanipulation
  • Statistische Basisfunktionen

Maschinelles Lernen
  • Systematischer Prozess
  • Modell Evaluation

Feature Engineering

Verfahren des Maschinellen Lernens
  • Lineare und Nicht-lineare Regressionsverfahren
  • Gradient Descent Verfahren
  • Logistische Regression und LDA/QDA-Verfahren
  • Resampling- und Regularisierungstechniken
  • Tree Verfahren inkl. Bagging und Boosting
  • Vergleich und Tuning von Modellen
  • Clustering Verfahren
  • Faktorenanalysen und Autoencoder zur Dimensionsreduktion
  • Choice-Based-Conjoint-Analyse
  • Deep-Learning Konzepte
  • Generative KI mit LLMs, VAEs, GANs, Diffusions-Modelle

Literatur:
  • Allaire J., Chollet F.: Deep Learning with R, Manning, 2018
  • Backhaus K., Erichson B.E., Plinke W., Weiber R.: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, Springer-Verlag, 13.Auflage, 2010
  • Backhaus K., Erichson B.E., Weiber R.: Fortgeschrittene Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, Springer-Gabler, 2.Auflage, 2013
  • Bärtl M.: Statistik Schritt für Schritt, Independently published, 2017, Online Youtube: https://www.youtube.com/channel/UCtBEklAtHHji2V1TsaTzZXw
  • Chapman C.N., McDonnell Feit E.: R for Marketing Research and Analytics, Springer, 2015
  • Goodfellow I., Bengio Y., Courville A.: Deep Learning, The MIT Press, 2017
  • Hastie T., James G., Witten D., Tibshirani R.: An Introduction to Statistical Learning, Springer, 2017, Online: http://www-bcf.usc.edu/~gareth/ISL/index.html
  • Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning, Springer, 2017, Online: https://web.stanford.edu/~hastie/ElemStatLearn/
  • Kuhn M., Johnson K.: Applied Predictive Modeling, Springer, 1st ed. 2013, 2st ed. 2018
  • Wickham H.: Advanced R, CRC Press Inc, 2019, Online: http://adv-r.had.co.nz
  • Wickham H., Grolemund G.: R for Data Science, O'Reilly, 2017, Online: https://r4ds.had.co.nz
  • Wollschläger D.: Grundlagen der Datenanalyse mit R, Springer Spektrum, 2017
  • Zheng A., Casari A.: Feature Engineering for Machine Learning Models: Principles and Techniques for Data Scientists, O'Reilly, 2018

... weitere siehe Vorlesungsskript

Weitere Literatur finden Sie in der HdM-Bibliothek.

    Termine

Das Innovationsforum BioGamesLab ist ein Projekt des Fraunhofer Institut für Produktionstechnik und Automatisierung IPA in Kooperation mit der Hochschule der Medien. Es wird vom Bundesministerium für Bildung und Forschung als Teil der Förderinitiative "Innovationsforen Mittelstand" gefördert.

©2017-2018 Fraunhofer IPA Stuttgart Impressum  Hinweise zum Datenschutz