Die Studierenden werden in die Grundlagen des maschinellen Lernens mit heterogenen Daten eingeführt.

• Beschreibung betrieblicher Prozesse und Kenngrößen
• Optimierungstheorie, Fehlercharakteristik und robuste Parameterschätzung, statistische Testverfahren
• Visualisierung hochdimensionaler Prozessdaten
• Clusteranalyse
• Modellbildung: Regression, Neuronale Netze
• Strategien des Klassifikator-Entwurfs

Anasse B., „Predictive Analytics for Dummies“, John Wiley & Sons, 2014

Duda, R. O., Hart, P. E., Stork D. G., “Pattern Classification”, 2nd edition, John Wiley & Sons, New York, 2001

Haberich, R., „Future Digital Business“, 2013

Keller, I., „Klassifikation in der Multimedia-Kommunikation“, Vorlesungsscript an der TU Berlin, Stand Juli 2014

Vorlesung, seminaristischer Unterricht, praktische Übungen zur Vertiefung des Stoffes

Deutsch

Hausarbeit mit Präsentation oder Klausur (90 min)

5 (150 h = 60 h Präsenz- und 90 h Eigenstudium)