Nach Abschluss der Lehrveranstaltung beitzen die Studierenden folgende Kompetenzen:

Grundlegende Kompetenz zur Erfassung und Durchdringung der technischen, organisatorischen und dramaturgischen Aspekte, die bei der Produktion von Video-Clips mit Rechnern von Bedeutung sind. Dabei geht es auch um den Erwerb der Kompetenz zum professionellen Einsatz industrietypischer Video-Editing-Software.

Erzielt werden soll die Fähigkeit zum freien, aufgabengerechten Umgang mit dem Medium Audio/Video. Zusätzlich soll das Verständnis der in anderen Veranstaltungen präsentierten Grundkonzepte der Informationstechnik durch die Betrachtung praktischer Aufgabenstellungen der AV-Produktion verbessert werden.

• Einblick in psychologische Entscheidungsmodelle und die daraus resultierenden Probleme 

• Verständnis für Komponenten, Aufbau und Durchführung datengetriebener Entscheidungen 

• Die Fähigkeit, Daten zu beschaffen und deren Qualität und Glaubwürdigkeit einzuschätzen 

• Transformation einer konkreten Problemstellung in einen datengetriebenen Entscheidungsprozess 

• Entwicklung von einfachen Modellen zur Unterstützung von Entscheidungsprozessen 

Literatur

Data-Driven Decision Making and Dynamic Planning; Routledge 2008; Paul Preuss 

Data Driven Decision Making in Recruitment; Lap Lambert Academic Publishing 2018; Eenmaa, Liisi 

Data-Driven Design: Improving User Experience with A/B Testing; O'Reilly UK Ltd. 2014; Rochelle King 

Entscheidungsmanagement; Epubli 2016; Sönke Paulsen; 

Decision Making under Deep Uncertainty: From Theory to Practice; Springer 2019; Vincent A. W. J. Marchau

An Introduction to Decision Theory; Cambridge University Press 2009; Martin Peterson

• Ein gutes Verständnis, wie beliebige Daten in einen Vektor umgewandelt bzw. als solches aufgefasst werden können, um verschiedene Datenarten für den Einsatz von Machine-Learning-Verfahren nutzbar zu machen 

• Sicheres Beherrschen von Verfahren zur Datenreinigung, Data Augmentation und Datentransformation, um bewusst Problemen im Lernprozess vorzubeugen 

• Kenntnis von Normalisierungstechniken, um die Ergebnisse von Machine-Learning-Verfahren zu verbessern 

• Ein solides Verständnis von kategorischen und kontinuierlichen Datentypen, deren Konvertierung, von Einstellungsparametern und deren Auswirkungen auf ein Machine-Learning-Verfahren 

• Ein Verständnis und Lösungsansätze beim Umgang mit Daten, die Zeitreihen enthalten 

• Welche Voraussetzungen haben Machine-Learning-Verfahren, wann, wie und wo ist deren Einsatz sinnvoll 

• Ein detailliertes Verständnis für die Vor- und Nachteile von Machine-Learning-Prozessen 

• Das Gradientenabstiegsverfahren wird so detailliert behandelt, dass auch Änderungen und Erweiterungen des Verfahrens eingeordnet und verstanden werden können 

• Der gekonnte Einsatz von Optimierungstechniken innerhalb des Lernprozesses 

• Die Fähigkeit, Under- und Overfitting an deren jeweiligen Auswirkungen zu erkennen und sinnvolle Gegenmaßnahmen zu ergreifen

• Für verschiedene Problemstellungen, wie Bilderkennung, Textvervollständigung, Empfehlungssysteme und Klassifikationsprobleme eine sinnvolle künstliche neuronale Netzwerkarchitektur auswählen zu können

Literatur

The Elements of Statistical Learning; Springer 2009; Trevor Hastie, Robert Tibshirani, Jerome Friedman

Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython; O'Reilly and Associates 2012 

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow;  O'Reilly Media 2019; Aurélien Géron 

An Introduction to Statistical Learning; Springer 2013; Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani 

Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow; Packt Publishing 2019; Sebastian Raschka, Vahid Mirjalili 

Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play; O'Reilly UK Ltd. 2019; David Foster 

• Einsatz von Visualisierungstechniken, um aus Datensätzen verbesserten inhaltlichen Nutzen ziehen zu können 

• Bewusstsein für die gezielte Auswahl von Graphen, Diagrammen und Tabellen zum Zwecke der Hervorhebung von Erkenntnissen aus Datensätzen 

• Grundverständnis für die Funktionsweise aktueller Softwarelösungen und Pakete für die Visualisierung und Aufbereitung von Daten 

• Erschließung von Datensätzen und deren Besonderheiten durch die Programmiersprachen R und Python 

• Die Fähigkeit, Visualisierungstechniken im Kontext der Datensatzanalyse so einzusetzen, dass Datensätze durch den Erkenntnisgewinn sinnvoll aufbereitet und erweitert werden können 

• Verständnis zur Visualisierung hochdimensionaler Daten 

Literatur

Visual Display of Quantitative Information; Bertrams 2001; Edward R Tufte

Say It With Charts: The Executives's Guide to Visual Communication: The Executive's Guide to Visual Communication; McGraw-Hill ; Gene Zelazny

The Pyramid Principle: Logic in Writing and Thinking: Logical Writing, Thinking and Problem Solving; Financial Times Series 1996; Barbara Minto 

The Elements of Statistical Learning; Springer 2009; Trevor Hastie, Robert Tibshirani, Jerome Friedman

Datenvisualisierung: Vom Diagramm zur Virtual Reality; UTB 2018; Peter Fischer-Stabel 

Storytelling mit Daten: Die Grundlagen der effektiven Kommunikation und Visualisierung mit Daten; Vahlen 2017; Cole Nussbaumer Knaflic, Mike Kauschke 

The Truthful Art: Data, Charts, and Maps for Communication (Voices That Matter); New Riders 2016; Alberto Cairo

Infografik: Komplexe Daten professionell visualisieren; Rheinwerk Design 2018; Raimar Heber 

Data Visualization: A Practical Introduction; Princeton University Press 2019; Kieran Healy 

Datenvisualisierung mit Tableau; mitp 2018; Alexander Loth 

Learning Python; O'Reilly and Associates 2013; Mark Lutz 

Basic Elements of Computational Statistics; Springer 2017; Wolfgang Karl Härdle, Ostap Okhrin, Yarema Okhrin 

Data Science mit Python: Das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib und Scikit-Learn; mitp 2017; Jake VanderPlas 

• Einblick in die OpenSource-Community aus dem Fachbereich 

• Detailverständnis der Implementation von verschiedensten komplexen neuronalen Netzwerkarchitekturen 

• Studierende sind in der Lage, Verfahren und einzelne Mechanismen innerhalb dieser Verfahren zu analysierten, zu verändern und zu erweitern

• Die Fähigkeit, komplexe neuronale Netzwerkarchitekturen selbstständig im Kontext potenzieller Forschungsarbeiten zu untersuchen und zu erweitern 

Literatur

LiteraturDeep Learning with Python; Manning Publications Co. 2018; Francois Chollet 

Grokking Deep Learning; Manning Publications 2019; Andrw W. Trask 

Deep learning; The MIT Press 2017; Ian Goodfellow, Yoshua Bengio, Aaron Courville

Die Literatur aus der Veranstaltung Machine Learning ist hier auch relevant