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

• theoretische und mathematische Hintergründe des maschinellen Lernens zu erläutern;
• Beweise für lerntheoretische und algorithmische Eigenschaften durchzuführen;
• Lernalgorithmen richtig anzuwenden;
• maschinelle Lernenverfahren hinsichtlich ihrer algorithmischen Eigenschaften zu vergleichen und zu analysieren; und
• Forschungsarbeiten im maschinellen Lernen zu verstehen, zusammenzufassen und zu präsentieren.

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

Voraussichtliche Themen:

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

Eine Mischung aus einführenden Online-Vorlesungen (aufgenommen und/oder live), passenden aufgezeichneten Vorträgen (beispielsweise Tutorials von Fachkonferenzen oder Summer Schools) und Übungen mit formativem Feedback, teilweise mit live Online- Besprechungen der Übungsblätter.

3ects -> 75h
20h Schauen und nacharbeiten der Vorlesungen
10h Einarbeiten in das zusätzliche Material
10h Übungen
20h Lösen und einreichen der Arbeitsblätter
15h Abschlussproject

Der Leistungsnachweis ergibt sich aus:

• regelmäßigen schriftlich eingereichten Arbeitsblättern und
• einem abschließenden größeren Projekt, z.B. ein geschriebener Report oder ein (aufgenommener oder online präsentierter) Vortrag