![Bilder vom Neuenheimer Feld, Heidelberg und der Universität Heidelberg](/images/kv_library.jpg)
Experimente gestalten fürs Maschinelle Lernen (Exp ML)
Kursbeschreibung
Studiengang | Modulkürzel | Leistungs- bewertung |
---|---|---|
BA-2010[100%|75%] | CS-CL | 6 LP |
BA-2010[50%] | BS-CL | 6 LP |
BA-2010[25%] | BS-AC, BS-FL | 4 LP |
Dozenten/-innen | Letitia Parcalabescu |
Veranstaltungsart |
|
Sprache | Deutsch |
Erster Termin | 19.10.2023 |
Zeit und Ort | Donnerstags, 15:15-16:45, INF 325 / SR 24 |
Commitment-Frist | tbd. |
Teilnahmevoraussetzungen
Programmieren in Python
Leistungsnachweis
- Regelmäßige und aktive Teilnahme
- Übungsaufgaben
- Projekt
Inhalt
Theoretische Vorkenntnisse im Bereich des maschinellen Lernens sind keine Voraussetzung. Der Schwerpunkt liegt
auf der Arbeitsweise mit Daten, Evaluierung, Zielsetzung, Projektgestaltung und NICHT auf den Algorithmen.
Im ersten Teil der Veranstaltung werden anhand von zwei beispielhaften Algorithmen (Entscheidungsbäume und dem
Naive Bayes Algorithmus) wichtige Konzepte für die Arbeitsweise eingeführt (Train/Dev/Test-Split,
Cross-Validierung, F1-Score, etc). Dazu gibt es Übungsblätter die das Gelernte vertiefen und anwenden.
Wir werden in erster Linie mit Python arbeiten, deshalb sollten Pythongkurse bereits abgeschlossen sein.
Im zweiten Teil werden wir mit der Organisation eines Experiments beginnen. Hierfür werden praktische Aufgaben zu lösen sein die auf ein kleineres Projekt hinarbeiten (in Betreuung durch die Dozentin).
Das Projekt ist aus einem Anwendungsfeld der Computerlinguistik.
Seminarplan (grob)
- Organisation, Einblick
- Code, git, GitLab, READMEs
- Maschinelles Lernen in einer Nussschale: (Un)überwachtes Lernen, Klassifikation, Regression
- Entscheidungsbäume
- Code schreiben, debuggen und dessen Ausführung beschleunigen: Multiprocessing
- Projekt Brainstorming (Diskussionsrunde)
- Evaluierung I: Test/Val-Devel/Test, Cross-validation, …
- Evaluierung II: Lernkurve, Baseline, Signifikanz, Inter-annotator Agreement, …
- Informationen relevant für Projekte, Vortrag, Referat
- Naive Bayes
- Wieso funktioniert Machine Learning? (Curse of Dimensionality, Manifold Hypothesis, Interpolation vs. Extrapolation, ...)
- Projektvorstellung (Studierende)
- GitLab Portfolio + Projektabgabe + Referat Abgabe