Kapitel 0 – Organisation & Praktikum

Folien: 📄 00_Praktikum.pdf · Woche 1, Prof. Franz

Der erste Termin (Di 6.10., „Einführung / Reproducible Research / IPython“) war organisatorisch. Für den inhaltlichen Teil gibt es keinen eigenen Foliensatz, nur die Folien zum Praktikum (Machine Learning Lab).

Dozenten

• Prof. Dr. M. O. Franz: PCA, k-means, Bayes, SVM, Kernel
• Prof. Dr. O. Dürr: Statistik-Recap, lineare Methoden, Modellbewertung

Praktikum: Regeln

📄 00_Praktikum.pdf, Folie 2

• Das Praktikum läuft in 2 Gruppen.
• Aufgaben werden nach 2 Wochen vorgezeigt, in 3er-Teams.
• Die Aufgabenblätter liegen in Moodle.

Praktikum: Python-Umgebung

📄 00_Praktikum.pdf, Folie 3

Benötigt werden Python 3, der scikit-learn-Stack (NumPy, SciPy, pandas, Matplotlib, scikit-learn) und TensorFlow ≥ 2.0 (die CPU-Version reicht; Keras ist enthalten). Möglichkeiten zur Installation laut Folie: Anaconda, das Docker-Image oduerr/tf_docker:cpu_r_tfp, pip oder Google Colab.

Folienstand

Die Praktikumsfolien sind als „Preliminary Slides / Work in Progress“ markiert und stammen von 2019. Was in Moodle steht, hat Vorrang.

Reproducible Research

Ergänzung, nicht auf den Folien: Der Termin hieß „Reproducible Research / IPython“. Gemeint ist im ML-Kontext typischerweise:

• Notebooks (Jupyter/IPython) verbinden Code, Ergebnisse und Text in einem Dokument. Die Praktikumsaufgaben sind Notebooks.
• Zufall festlegen: Seeds setzen (np.random.seed, random_state= in scikit-learn), sonst liefern Train/Test-Split, k-means oder Kreuzvalidierung bei jedem Lauf andere Zahlen.
• Umgebung festhalten: Paketversionen (z. B. requirements.txt, Conda-Environment, Docker-Image), damit andere das Ergebnis nachrechnen können.
• Notebook von oben nach unten laufen lassen („Restart & Run All“), bevor man Ergebnisse abgibt. Zellen, die in anderer Reihenfolge ausgeführt wurden, sind eine häufige Quelle nicht reproduzierbarer Ergebnisse.

Praktikumsaufgaben bisher

Notebook	Themen	Kapitel
Arbeitsblatt 2: Linear_Regression_Eigengesichter_Naive_Bayes.ipynb	Lineare Regression (Fisch-Daten), Eigengesichter (PCA), naiver Bayes-Klassifikator zur Gesichtserkennung	2, 3, 4
Arbeitsblatt 3: SVMs_Random_Forests_Boosting.ipynb	SVMs mit scikit-learn, Kreuzvalidierung und Modellselektion, Random Forests und Boosting	5, 6, 7