Der Kurs lehrt die praktischer Anwendung von unterschiedlichen Tools bzw. Techniken aus dem Bereich des Machine Learning anhand von praktischen Beispielen.
Die Gesamtnote setzt sich aus zwei Teilen zusammen:
- Ein schriftlicher Test während des Semesters (dieser Test muss positiv sein [>50%]!)
- 2 größere Programmieraufgaben bei denen ML Modelle auf ein gegebenes Problem angewendet werden müssen.
- Die gemittelten Prozentwerte aus dem Test + 2 Programmieraufgaben ergeben die Gesamtnote.
Wichtig: Es gilt in jeder Einheit Anwesenheitspflicht. Sie dürfen maximal in 4 Einheiten abwesend sein.
- 100% bis >92% ==> 1
- 92% bis >78% ==> 2
- 78% bis >64% ==> 3
- 64% bis >50% ==> 4
- <50% ==> 5
Berechnungsbeispiel: Test: 17/24 Pkt / Assignment 1: 4/5 Pkt / Assignment 2: 5/5 Pkt
==> ((17/24) + (4/5) + (5/5)) / 3 = 83,6% ==> Note: 2
Anmerkung: Die Assignment-Punkte sind im Feedback-Branch des jeweiligen Assignments in Github nachzulesen.
Die Kursinhalte stammen u.a. aus folgenden Bücher/Websites:
- Grokking Machine Learning (Luis G. Serrano)
- Hands-On Machine Learning with Scikit-Learn and TensorFlow (Aurelien Geron)
- http://neuralnetworksanddeeplearning.com/