Lehrveranstaltungen in der Informatik

Machine Learning

B. Schulz, M.Sc.

zurück zurück

Inhalt

  • Datenaufbereitung
  • Overfitting
  • Neuronale Netze (Backpropagation, Deep Learning)
  • Support Vector Maschinen
  • Regression
  • Deep Learning Architekturen (CNN, DQN, ...)

Organisation

5. Semester, Seminar  4-std.

Sprache: deutsch

Präsenzstudium: 60 h, Eigenstudium: 90 h
Gesamtaufwand: 150 h

Leistungspunkte (credit points): 5

Vorbedingungen: keine

Lernvoraussetzungen

Empfohlene Voraussetzungen

  • Sie kennen die mathematischen Grundlagen Menge und Relation und Abbildung sowie die lineare Algebra.
  • Sie können objektorientiert programmieren.

Empfohlene Veranstaltungen

  • Strukturierte Programmierung, Objektorientierte Programmierung
  • Mathematik 1, Mathematik 2

Lernziele

Sie können grundlegende Fragestellungen und Ziele des maschinellen Lernens verstehen und unterschiedliche Lernprobleme erläutern. Sie können unterschiedliche Verfahren des maschinellen Lernens erklären, implementieren und hinsichtlich ihrer Skalierbarkeit beurteilen. Sie können für eine gegeben Problemstellung ein geeignetes Lernverfahren auswählen und kennen die Grenzen der automatischen Datenanalyse.

Literatur

K.P. Murphy: Machine Learning - A Probabilistic Perspective. MIT Press (2012)

C.M. Bishop: Pattern Recognition and Machine Learning. Springer (2007)

T. Mitchell: Machine Learning.

G.D. Rey, K.F. Wender: Neuronale Netze - Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung. 2. Auflage, Hogrefe AG (2010)