Maschinelles Lernen

Sie befinden sich hier:

Kürzel

ML

Modulnummer

n.n.

Leistungspunkte (Credits)

5 CP

Workload

150 Stunden

Semesterwochenstunden

4 SWS

Turnus

jedes Wintersemester

Unterrichtssprache

Englisch

Aktuelle Informationen wie Vorlesungstermine, Räume oder aktuelle Dozent*innen und Übungsleiter*innen

 

Lehrveranstaltungen

  • Machine Learning – Vorlesung (2 SWS)
  • Machine Learning – Übung (2 SWS)

Modulbeauftragte/r, aktuelle Dozent*innen und Übungsleiter*innen
Empfohlene Vorkenntnisse
Solide Grundlagen in Mathematik (Inhalt der Module Mathematik 1 – Grundlagen, Mathematik 2 – Algorithmische Mathematik und Mathematik 3 – Anwendungen) und Informatik (Inhalte der Module Informatik 1 – Programmieren, Informatik 2 – Algorithmen und Datenstrukturen und Informatik 3 – Theoretische Informatik).

Weiterhin sollten die Grundkonzepte der künstlichen Intelligenz bekannt sein (Inhalte des Moduls Künstliche Intelligenz).

Teilnahmevoraussetzungen
keine
Lernziele (Lerning Outcomes)
Nach dem erfolgreichen Abschluss des Moduls

  • kennen die Studierenden verschiedene Konzepte und Methoden des maschinellen Lernens
  • können die Studierenden konkrete Projektanforderungen als maschinelle Lern-Probleme identifizieren
  • können die Studierenden verschiedene maschinelle Lernmethoden umsetzen, anwenden sowie auf spezifische Anwendungsprobleme anpassen
  • können die Studierenden das erlangte algorithmische Grundverständnis auf neue Verfahren übertragen und sind daher in der Lage, weitere Methoden selbstständig anhand von Literatur zu erarbeiten und neue Entwicklungen auf dem Gebiet kritisch zu beurteilen

Inhalt
Die Vorlesung hat zum Ziel, die grundlegenden Konzepte des maschinellen Lernens zu vermitteln. Es werden verschiedene Verfahren und Methoden des maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Die verschiedenen Lern-Paradigmen „Überwachtes Lernen“, „Unüberwachtes Lernen“ und „Reinforcement Lernen“ sollen eingeführt werden. Inhaltlich spielen hier einerseits Methoden zur Klassifikation oder Regression (wie beispielsweise Lineare Methoden, Kern-Methoden wie Support Vector Maschinen, Neuronale Netze) und Konzepte wie Generalisierung und Overfitting eine Rolle. Andererseits sind Methoden zur Dimensionsreduktion, zum Clustering und zur Outlier Detektion von Bedeutung.

Um das Wissen zu operationalisieren, werden in den Übungen praktische Erfahrungen mit Lernalgorithmen gesammelt.

Lernformen
Vorlesung:     Hörsaalvorlesung mit Medienunterstützung

Übung:           Vertiefung und Erläuterung des Stoffes an Beispielen, Bearbeitung von Übungsaufgaben in Kleingruppen (darunter kleine Programmieraufgaben)

Prüfungsformen
Schriftliche Modulabschlussprüfung über 120 Minuten
Vorraussetzung für die Vergabe von Kreditpunkten
Bestandene Modulabschlussprüfung
Empfohlene Literatur

  1. P. Murphy: „Machine Learning: A Probabilistic Perspective“, MIT Press 2012
  2. C. M. Bishop: „Pattern Recognition and Machine Learning“, Springer, 2006