64-360 Vorlesung Maschinelles Lernen

Lehrende: Prof. Dr. Sören Laue

Veranstaltungsart: Vorlesung

Anzeige im Stundenplan: ML-VL

Semesterwochenstunden: 4

Credits: 6,0

Unterrichtssprache: Englisch

Min. | Max. Teilnehmerzahl: - | 125

Weitere Informationen:
Dozent: Prof. Dr. Sören Laue

Kommentare/ Inhalte:

• Formale Grundlagen des maschinellen Lernens (Minimierung von Funkionen, Konvexität, Underfitting, Overfitting, Modell-Komplexität, Bias-Varianz-Tradeoff, Regularisierung, Maximum-Likelihood, Maximum A Posteriori Prinzip, Empirische Risikominimierung, Regularisierte Risikominimierung)
  
• Überwachtes Lernen für Regression und Klassifikation
  
• lineare Methoden, Basisfunktionen, Kernmethoden
  
• logistische Regression, SVMs
  
• Naive Bayes
  
• Entscheidungsbäume, Random Forest
  
• k-Nächste Nachbarn
  
• robuste Regression
  
• lineare und quadratische Diskriminanzanalyse
  
• Methoden des unüberwachten Lernens
  
• Dimensionsreduktion (PCA, Multidimensionale Skalierung)
  
• Clustering (k-means)
  
• Recommender Systeme (Matrizenfaktorisierung)
  
• Einführung in Neuronale Netze
  

Lernziel:

• Vertiefte Kenntnisse der verschiedenen Ansätze zum Lernen aus Daten auch im Hinblick auf ihre jeweiligen Beschränkungen
  
• Fähigkeit, die zugrunde liegende ML-Theorie zu verstehen und anzuwenden
  
• Fähigkeit zur vergleichenden Bewertung von Lernverfahren im Hinblick auf spezifische Anwendungsbedingungen
  
• Fähigkeit zur systematischen Einordnung neuer Verfahren
  
• Fähigkeit zur Konzeption, Umsetzung und Evaluation eines lernenden Systems für eine gegebene Aufgabenstellung
  
• Fähigkeit zur Präsentation von empirischen Befunden im Bereich des algorithmischen Lernens
  

Literatur:

• Pattern Recognition and Machine Learning. Christopher M. Bishop, Springer, 2006. (online)
  
• The Elements of Statistical Learning. Trevor Hastie, Robert Tibshirani, and Jerome Friedman, Springer, 2009. (online)
  
• Deep Learning. Ian Goodfellow, Yoshua Bengio, and Aaron Courville, MIT Press, 2016. (online)