Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...
- eine sehr breite Sammlung von maschinellen Lernalgorithmen und -problemen zu verstehen
- zu bestimmen, wann maschinelles Lernen machbar ist und sinnvoll auf spezifische Herausforderungen angewendet werden kann
- maschinelle Lernalgorithmen auf ihre speziellen Probleme anzuwenden
- eigenständige Forschungsfragen im Bereich des maschinellen Lernens zu bearbeiten.
Die Vorlesung vermittelt das Verständnis von Methoden der Musterklassifikation und des maschinellen Lernens. Folgende Themen sind enthalten: Anwendungen des maschinellen Lernens, Density Estimation, Regressionstechniken, Musterklassifikatoren, probabilistische Methoden zur Klassifikation, Dimensionsreduktion, Merkmalsauswahl, statistisches Clustering, Unsupervised Learning, Expectation-Maximization Algorithmus, Validierung, Markov-Prozesse, Hidden Markov Modelle, Gaußsche Prozesse, dynamische Programmierung, reinforcement learning, neuronale Netzwerke.
Die Inhalte werden in Form eines Tafel- und Folienvortrages vermittelt. Eine Vertiefung, Festigung und praktische Anwendung der Lehrinhalte erfolgt durch Rechenübungen, Tutorials und das Lösen von konkreten Aufgabenstellungen. Es besteht die Möglichkeit durch Programmieraufgaben weitere praktische Erfahrung zu gewinnen.
Die Leistungsbeurteilung der VU Machine Learning erfolgt in Form einer schriftlichen Abschlussprüfung und Programmieraufgaben. Die Prüfung umfasst Fragen zu Theorie, Berechnung und Praxis.
Nicht erforderlich
Grundlagen der linearen Algebra, Probability and Statistics, Python programming
