LFU:online

Die Studierenden sind in der Lage,

• die grundlegenden Konzepte und Fachterminologie des Machine Learning zu erklären und deren Bedeutung im Kontext chemischer Forschung einzuordnen
• die wichtigsten Arten von Machine-Learning-Algorithmen (überwachtes vs. unüberwachtes Lernen, Regressions- vs. Klassifikationsverfahren, Clustering, Dimensionsreduktion) zu unterscheiden und deren jeweilige Anwendungsbereiche zu bewerten
• Daten für ML-Anwendungen sachgerecht zu bearbeiten (Reinigung, Transformation, Umgang mit fehlenden Werten, Reshaping) und diese für Modellierungsaufgaben aufzubereiten
• Modelle anhand geeigneter Gütekriterien (Accuracy, Precision, Recall, Confusion Matrix, Fehlertypen) zu evaluieren und deren Leistungsfähigkeit kritisch zu beurteilen
• typische Fallstricke wie Overfitting, Bias und Data Leakage zu erkennen, zu vermeiden und Best-Practice-Ansätze in Datenpipelines umzusetzen

• Machine Learning concepts and key terminology
• Overview of ML applications in chemical research
• Supervised Vs Unsupervised? ... and what algorithms are there?
• Regression or Classification? Again, which algorithm does what?
• Clustering methods and dimensionality reduction
• Data manipulation (cleaning, transforming, handling missing values, reshaping, etc.).
• Evaluating model performance: accuracy, precision, recall, confusion matrix, various types of errors
• Best practice tips, data pipelines
• Common pitfalls (overfitting, bias, data leakage)