Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

• die theoretischen und mathematischen Hintergründe des maschinellen Lernens zu erläutern;
• Beweise für lerntheoretische und algorithmische Eigenschaften durchzuführen;
• Lernalgorithmen anzuwenden;
• Algorithmen und Methoden des maschinellen Lernens hinsichtlich ihrer algorithmischen Eigenschaften zu vergleichen und zu analysieren;
• Forschungsarbeiten zusammenzufassen und zu präsentieren.

Diese Vorlesung führt in die Grundlagen der Lerntheorie ein. Wir analysieren Lernalgorithmen und beweisen Gütekriterien, wie beispielsweise (probabilistische) Schranken für die Vorhersagefähigkeit.

Voraussichtliche Themen:

• Statistische Lerntheorie
• Kernbasiertes Lernen
• Online Learning
• Clustering
• Semisupervised Learning

Eine Mischung aus einführenden Vorlesungen, passenden aufgezeichneten Vorträgen (beispielsweise Tutorials von Fachkonferenzen oder Summer Schools), Übungen und (eher seminarartigen) Kurzvorträgen mit Diskussionen der Studierenden. Der Austausch und die Interaktion zwischen den Studierenden steht im Vordergrund.

Der Leistungsnachweis besteht aus:

• den schriftlichen Übungen,
• einem Kurzvortrag
• und einer Abschlussprüfung.