1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Maschinelles Lernen für Alterung und Langlebigkeit

Zur Modulseite PDF generieren

#51093 / #1

SoSe 2024 - WiSe 2024/25

English

Machine Learning for Aging and Longevity
Maschinelles Lernen für Alterung und Langlebigkeit

6

Hughes, Charmayne Mary Lee

Benotet

Hausarbeit

English

Zugehörigkeit


Fakultät V

Institut für Psychologie und Arbeitswissenschaft

35321700 FG Altersgerechte Mensch-Technik-Systeme

Human Factors

Kontakt


KWT 1

Hughes, Charmayne Mary Lee

hughes@tu-berlin.de

https://www.tu.berlin/ipa/ueber-uns/fachgebiete/vorstellung-des-fgs-altersgerechte-mensch-technik-systeme

Lernergebnisse

Through a hands-on approach and real-world datasets, this course will provide students with a comprehensive understanding of machine learning and its applications in the field of aging and longevity. Topics covered include the data generating process, model selection and evaluation, generalized linear models, various supervised and unsupervised machine learning algorithms (such as support vector machines, decision trees, random forests, neural networks, and k-means), and ethical considerations in artificial intelligence and machine learning. Students will learn how to implement machine learning methods effectively, including the assessment of assumptions about the data generating process, the creation of relevant features, the handling of missing data, and the reduction of bias. In addition to gaining familiarity with the potential power of machine learning in aging, students will also explore the specific challenges and limitations inherent to these applications. By the end of the course, students will have a solid foundation in machine learning and its potential for advancing aging research and practice. After successfully passing the module, students will be able to • Comprehend a collection of machine learning models (identified and covered in the course), and their applications in aging and longevity. • Identify and apply appropriate intelligent system models and computational tools to specific problems in aging and longevity. • Analyze the performance of specific models as applied to aging problems and justify their use and limitations. • Identify, understand, and interpret methods and evidence from machine learning and other relevant literature. • Discuss several societal issues and ethical concerns surrounding machine learning in the context of aging.

Lehrinhalte

• Introduction to data-based methods and their applications in engineering. • Exploratory data analysis • Supervised learning models (e.g., Linear Regression, Logistic Regression, Decision Trees, K-nearest neighbors, Support Vector Machine, etc) • Unsupervised learning methods (e.g., K-Means, Support Vector Machine) • Evaluation and assessment of machine learning methods • Risk, ethics, and technological impact assessment

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Machine Learning for Aging and LongevityUE51093WiSe/SoSeen2
Machine Learning for Aging and LongevitySEM51093WiSe/SoSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Machine Learning for Aging and Longevity (UE):

AufwandbeschreibungMultiplikatorStundenGesamt
Attendance15.02.0h30.0h
Pre/post processing15.04.0h60.0h
90.0h(~3 LP)

Machine Learning for Aging and Longevity (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Attendance15.02.0h30.0h
Pre/post processing15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Seminar: Class to convey the course content and contexts as frontal teaching with many examples from practice and interactive questions. Exercise: practical and guided implementation of programming tasks in the Python programming language as well as exercises in small groups to deepen and apply the lecture material.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

A basic foundation in mathematics, probability and statistics, and data structures are recommended for this course. Programming will be done in Python.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Homework

Sprache(n)

English, German

Dauer/Umfang

Keine Angabe

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Registration for exams in Moses Course registration via ISIS

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Hands-on Machine Learning with Scikit-Learn, Keras, & TensorFlow. 2nd Edition, O’Reilly Media, Inc., Sebastopol.

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe