Grundlagen von Maschinellem Lernen
| Studiengang | Informatik |
| Fachbereich | Technik |
| Studiengangsart | Master Vollzeit Wintersemester 2023 |
| Titel der Lehrveranstaltung / des Moduls | Grundlagen von Maschinellem Lernen |
| Kennzahl der Lehrveranstaltung / des Moduls | 024913010502 |
| Unterrichtssprache | Deutsch |
| Art der Lehrveranstaltung (Pflichtfach, Wahlfach) | Wahlfach |
| Semesterwochenstunden | 2 |
| Studienjahr | 2023 |
| Niveau der Lehrveranstaltung / des Moduls laut Lehrplan | |
| Anzahl der zugewiesenen ECTS-Credits | 3 |
| Name des/der Vortragenden | Sebastian HEGENBART |
Grundbegriffe der Statistik, Stochastik und Linearen Algebra.
Das Lernen anhand von Beispielen findet nicht nur bei Lebewesen Anwendung, sondern ist auch die Grundlage einer Großzahl moderner Anwendungen, die heute nicht mehr explizit programmiert, sondern datenbasiert erlernt werden. Im Zuge dieser Lehrveranstaltung werden die Grundlagen solcher Algorithmen vermittelt:
- Grundlagen und Unterschiede von Supervised-Learning und Unsupervised-Learning
- Dimensionsreduktionsverfahren (Feature Extraction, Feature Selection, Curse of Dimensionality)
- Clustering (k-Means, Gaussian Mixture Models)
- Klassifikation und Regression (SVM, Bayes, KNN, Decision Trees, Boosting, Neuronale Netze)
- Der machine Learning Prozess (Kreuzvalidierungsverfahren, Datenvorverarbeitung, Signifikanztests)
Der Einsatz der Verfahren erfolgt mittels python und Frameworks wie scikit-learn, numpy und keras.
Die Studierenden können
- die konzeptionellen Unterschiede zwischen Supervised- und Unsupervised-Learning beschreiben
- beschreiben wie Computer eingesetzt werden können um Aufgaben zu lösen, für die sie nicht explizit programmiert wurden
- anhand gegebener Problemstellungen passende Verfahren wählen
- die Ergebnisse der gelernten Methoden interpretieren und verwerten
- verschiedene Verfahren hinsichtlich ihrer Genauigkeit und Robustheit auswerten und vergleichen
- Probleme mit Hilfe von Methoden aus maschinellem Lernen lösen
Der Stoff wird in Vorlesungen vermittelt und anhand von Übungen in Hausarbeit vertieft.
Abschließender Prüfungscharakter. Schriftliche Prüfung (75%) sowie Bewertung der Übungen (25%).
Für eine positive Gesamtnote müssen in jedem Prüfungsteil mindestens 50% der Punkte erzielt werden.
Keiner
- Bishop, Christopher (2007): Pattern Recognition and Machine Learning.
- Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016): Deep Learning. MIT Press. Online im Internet: URL: https://www.deeplearningbook.org/
- Mitchell, Tom (2017): Machine Learning. Online im Internet: URL: http://www.cs.cmu.edu/~tom/NewChapters.html
- Norvig, Peter; Russel, Stuart (2021): Artificial Intelligence: A Modern Approach, Global Edition.
Präsenzveranstaltung mit Aufzeichnung der Vorlesung