Autonome Lernende Roboter (ALR)

Maschinelles Lernen - Grundverfahren

  • Typ: Vorlesung + Übung
  • Semester: WS 20/21
  • Zeit: 06.11.2020
    14:00 - 17:30 wöchentlich


    13.11.2020
    14:00 - 17:30 wöchentlich

    20.11.2020
    14:00 - 17:30 wöchentlich

    27.11.2020
    14:00 - 17:30 wöchentlich

    04.12.2020
    15:45 - 19:00 einmalig

    11.12.2020
    14:00 - 17:30 wöchentlich

    18.12.2020
    14:00 - 17:30 wöchentlich

    08.01.2021
    14:00 - 17:30 wöchentlich

    15.01.2021
    14:00 - 17:30 wöchentlich

    22.01.2021
    14:00 - 17:30 wöchentlich

    29.01.2021
    14:00 - 17:30 wöchentlich

    05.02.2021
    14:00 - 17:30 wöchentlich

    12.02.2021
    14:00 - 17:30 wöchentlich

    19.02.2021
    14:00 - 17:30 wöchentlich


  • Dozent: Mevlüt Onur Celik
    Prof. Dr. Gerhard Neumann
    Philipp Becker
  • SWS: SWS: 3 / ECTS: 5
  • LVNr.: 2400129
  • Hinweis: Online
Bemerkungen

Das Forschungsgebiet Maschinelles Lernen hat in den letzten Jahren enorme Fortschritte gemacht und gute Kenntnisse im Maschinellen Lernen werden auch am Arbeitsmarkt immer gefragter. Maschinelles Lernen beschreibt den Wissenserwerb eines künstlichen Systems aufgrund von Erfahrung oder Daten. Regeln oder bestimmte Berechnungen müssen also nicht mehr händisch codiert werden sondern können von intelligenten Systemen aus Daten extrahiert werden.

 

Diese Vorlesung bietet einen Überblick über essentielle Methoden des Maschinellen Lernens. Nach einer Wiederholung der notwendigen mathematischen Grundkenntnisse beschäftigt sich die Vorlesung hauptsächlich mit Algorithmen für Klassifikation, Regression und Dichteschätzung. Beispielhafte Auflistung der Themen:

-    Basics in Linear Algebra, Probability Theory, Optimization and Constraint Optimization

-    Linear Regression

-    Linear Classification

-    Model Selection, Overfitting, and Regularization

-    Support Vector Machines

-    Kernel Methods

-    Bayesian Learning and Gaussian Processes

-    Neural Networks

-    Dimensionality Reduction

-    Density estimation

-    Clustering

-    Expectation Maximization

-    Graphical Models

Vorlesung mit 2SWS plus 1SWS Übung plus Nachbereitung, 150h

ca 30h Vorlesungsbesuch

ca 15h Übungsbesuch

ca 75h Nachbearbeitung und Bearbeitung der Übungsblätter

ca 30h Prüfungsvorbereitung

 

Durch die erfolgreiche Teilnahme am Übungsbetrieb als Erfolgskontrolle anderer Art (§4(2), 3 SPO 2008) bzw. Studienleistung (§4(3) SPO 2015) kann ein Bonus erworben werden. Die genauen Kriterien für die Vergabe eines Bonus werden zu Vorlesungsbeginn bekannt gegeben. Liegt die Note der schriftlichen Prüfung zwischen 4,0 und 1,3, so verbessert der Bonus die Note um eine Notenstufe (0,3 oder 0,4). Der Bonus gilt nur für die Haupt- und Nachklausur des Semesters, in dem er erworben wurde. Danach verfällt der Notenbonus.

Empfehlungen

-       Python Kenntnisse sind empfehlenswert

-       Mathematik-lastige Vorlesung. Es werden zwar die Grundlagen wiederholt, aber eine mathematische Geschicklichkeit ist hilfreich.

VortragsspracheEnglisch