Advanced Topics in Data Analytics and Machine Learning

  • Unterricht

    Details

    Fakultät Wirtschafts- und Sozialwissenschaftliche Fakultät
    Bereich Volkswirtschaftslehre
    Code UE-EEP.00517
    Sprachen Englisch
    Art der Unterrichtseinheit Seminar
    Kursus Master
    Semester SA-2023

    Zeitplan und Räume

    Vorlesungszeiten Mittwoch , Blockkurs (Herbstsemester)
    Stunden pro Woche 1

    Unterricht

    Verantwortliche
    • Huber Martin
    Dozenten-innen
    • Huber Martin
    Beschreibung

    Deep Learning with Python - from tabular to multimedia (taught by Dr. Christian Kauth)

    Deep learning with neuralnetworks is a fascinating field, especially on non-tabular data (like images and text). The mixture of faster hardware, new techniques, highly optimized open source libraries and large datasets allow very large networks to be created with frightening ease. Deep neural networks have repeatedly proven impressively skillful on a range of problems.

    This course is a guide to deep learning in Python. You will discover the Keras Python library for deep learningandhowtouseittodevelopandevaluatedeeplearningmodels.Youwilldiscoverthetechniques and develop the skills in deep learning that you can then bring to your own machine learning projects.

    After familiarizing with Keras, we will illustrate the skill of deep learning on some well-understood case study machine learning problems from the UCI Machine learning repository (http://archive.ics.uci.edu/ml/index.php)andcomparetheperformancetotheclassicalmachinelearning approaches used in the course “Machine Learning with Python – from Zero to Hero”. Next we introduce convolutional layers to the networks and use them to classify handwritten digits (e.g. MNIST dataset http://yann.lecun.com/exdb/mnist/) and real-world objects (e.g. CIFAR-10https://www.cs.toronto.edu/~kriz/cifar.html).

    We then shift our focus from images to text data, and learn how to solve common Natural Language Processing (NLP) tasks such as text classification, token classification, summarization and translation. To that purpose, we’ll use state-of-the-art transformer-based pre-trained models and see how to fine-tune them on our own dataset (transfer-learning).

    Lastly you’ll learn how to integratethe temporal dimension into your machine learning projects to make forecasts on time-series. We’ll compare the performance of several techniques, reaching from tabular representation to state-of-the-art causal transformer architectures.

    Fun fact: Deep learning is taking AI performance in compute vision, natural language and time series analysis from deceptive to disruptive, and the Attention mechanism plays a crucial role in this success story. If you’re curious, have a look at the paper “Attention is all you need” https://arxiv.org/abs/1706.0376

     

    Lernziele
    • To understand the structure and working principles of neural networks and transformers
    • To gain insights into some layer types of feed-forward neural networks (dense, convolutional, dropout, attention, embedding) and how they are trained.
    • To learn how to classify images with neural networks
    • To learn how to solve common NLP tasks with transformers
    • To learn how to frametime-series tasks for machine and deep learning
    • To gain hands-on experience with Python and the deep learning library Keras
    • To be able to leverage and fine-tune state-of-the-art models (from Microsoft, Open AI, Google, Deep Mind, Hugging Face)

     

    Zugangsbedingungen
    • Fluency in the programming language "Python", as e.g. provider in the course "machine Learning with Python - from Zero to Hero"
    • Google account to access Google Colab

     

     

    Soft Skills
    Nein
    ausserhalb des Bereichs
    Nein
    BeNeFri
    Nein
    Mobilität
    Nein
    UniPop
    Nein
  • Einzeltermine und Räume
    Datum Zeit Art der Unterrichtseinheit Ort
    14.02.2024 08:15 - 17:00 Kurs PER 21, Raum E040
    15.02.2024 08:15 - 17:00 Kurs PER 21, Raum E040
    16.02.2024 08:15 - 17:00 Kurs PER 21, Raum E040
  • Leistungskontrolle

    Fortlaufende Evaluation - SA-2023, Wintersession 2024

    Bewertungsmodus Nach Note
    Beschreibung

    Take home exam: project work to be solved in Python on image, text and time-series data

    Course with continuous evaluation: after the registration period, you can no longer cancel your registration (see session calendar on the Faculty's website).

    No retake exam

  • Zuordnung
    Zählt für die folgenden Studienpläne:
    Ma - Accounting and Finance - 120 ECTS
    Version: 2024/SP_V01_DD_Caen
    UniFrKurse > Wahlkurse - Max 18 ECTS > SES-Wahlkurse auf Masterstufe

    Ma - Accounting and Finance - 90 ECTS
    Version: 2021/SA_V01
    Kurse - 72 ECTS > minimum 0 / maximum 1 beliebiger Masterkurs, der an der Universität Fribourg angeboten wird , wenn 72 ECTS in den oben genannten Modulen noch nicht erreicht sind > SES-Wahlkurse auf Masterstufe

    Ma - Betriebswirtschaftslehre - 90 ECTS
    Version: 2017/SA_v01
    Kurse: mind. 63 ECTS > Wahlkurse: max. 18 ECTS > SES-Wahlkurse auf Masterstufe

    Ma - Betriebswirtschaftslehre - 90 ECTS
    Version: 2021/SA_V01
    Kurse: mind. 72 ECTS > Wahlkurse: max. 18 ECTS > SES-Wahlkurse auf Masterstufe

    Ma - Business Communication : Wirtschaftsinformatik - 90 ECTS
    Version: 2020/SA_V02
    Kurse - 60 ECTS > Optionsgruppe > Wirtschaftsinformatik > Kurse > Module Informatik > Data Science

    Ma - Data Analytics & Economics - 90 ECTS
    Version: 2020/SA-v01
    Courses min 63 ECTS > Mandatory Modules (45 to 63 ECTS) > Module I: Data Analytics (Data)

    Ma - European Business - 90 ECTS
    Version: 2017/SA_v01
    Courses - 63 ECTS > Additional courses: Any Master courses of the Faculty of Economics and Social Sciences, as well as maximum 9 ECTS from all Master programmes of the University. > SES-Wahlkurse auf Masterstufe

    Ma - International and European Business - 90 ECTS
    Version: 2021/SA_V01
    Courses > Additional courses: Any Master courses of the Faculty of Economics and Social Sciences, as well as maximum 9 ECTS from all Master programmes of the University. > SES-Wahlkurse auf Masterstufe

    Ma - Kommunikation und Gesellschaft - 90 ECTS
    Version: 2021/SA_V03
    Forschungsbereiche > Inter- & Transdisciplinary Perspectives

    Ma - Kommunikationswissenschaft und Medienforschung - 90 ECTS
    Version: 2015/SA_V01
    Kurse - 60 ECTS > Inter- and Transdisciplinary Perspectives > SES-Wahlkurse auf Masterstufe

    Ma - Marketing - 90 ECTS
    Version: 2021/SA_V02
    Kurse > Masterwahlkurse auf der gesamten Universität > SES-Wahlkurse auf Masterstufe

    Ma - Volkswirtschaftslehre - 90 ECTS
    Version: 2021/SA_V04
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Nachhaltige Entwicklung und soziale Verantwortung > Wahlkurse in Nachhaltige Entwicklung und soziale Verantwortung > Ma - Wahlkurse in Volkswirtschaftlehre
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Nachhaltige Entwicklung und soziale Verantwortung > Wahlkurse in Nachhaltige Entwicklung und soziale Verantwortung > Wahlkurse der SES-Fakultät - max. 15 ECTS > SES-Wahlkurse auf Masterstufe
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Ökonomik und Politik des öffentlichen Sektors > Wahlkurse in Ökonomik und Politik des öffentlichen Sektors > Ma - Wahlkurse in Volkswirtschaftlehre
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Ökonomik und Politik des öffentlichen Sektors > Wahlkurse in Ökonomik und Politik des öffentlichen Sektors > Wahlkurse der SES-Fakultät - max. 15 ECTS > SES-Wahlkurse auf Masterstufe
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Business Economics > Wahlkurse in Business Economics > Ma - Wahlkurse in Volkswirtschaftlehre
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Business Economics > Wahlkurse in Business Economics > Wahlkurse der SES-Fakultät - max. 15 ECTS > SES-Wahlkurse auf Masterstufe
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Quantitative Ökonomik > Wahlkurse in Quantitative Ökonomik
    Mit der ersten Kurseinschreibung in einem der verfügbaren Optionen bestimmen Sie die Optionswahl. > Quantitative Ökonomik > Wahlkurse in Quantitative Ökonomik > Kurse der SES-Fakultät - max. 15 ECTS > SES-Wahlkurse auf Masterstufe
    Kurswahl für den Master OHNE Optionen > Wahlkurse > Ma - Wahlkurse in Volkswirtschaftlehre
    Kurswahl für den Master OHNE Optionen > Wahlkurse > Wahlkurse der SES-Fakultät - max. 15 ECTS > SES-Wahlkurse auf Masterstufe

    Ma - Wirtschaftsinformatik - 90 ECTS
    Version: 2020/SA-v01
    Kurse - min. 45 ECTS > Module Wirtschaftsinformatik/Informatik > Data Science

    Ma - Wirtschaftsinformatik - 90 ECTS
    Version: 2019/SA_V01
    Kurse - min. 45 ECTS > Module Wirtschaftsinformatik/Informatik > Data Science

    NfMa - Data Analytics - 30 ECTS
    Version: 2020/SA-v01
    À choix 9 crédits ECTS > Data Science

    NfMa - Volkswirtschaftslehre - 30 ECTS
    Version: 2021/SA_V01
    Wahlkurse > Ma - Wahlkurse in Volkswirtschaftlehre

    NfMa - Wirtschaftsinformatik - 30 ECTS
    Version: 2020/SA_V01
    Kurse > Module Informatik > Data Science