Einführung in maschinelles Lernen

Einführung in Maschinelles Lernen

Überblick

Beschreibung

Inhalte:

• Python für maschinelles Lernen,
• Einführung in die Wahrscheinlichkeitsrechnung und Statistik für maschinelles Lernen,
• Einführung in die Optimierung für maschinelles Lernen,
• Lineare Regression,
• Lineare Klassifikation,
• Clustering,
• Dimensionalitätsreduktion,
• Einführung in das Deep Learning.

Kontakt

Prof. Dr. Michel Besserve

Qualifikation

Nach erfolgreichem Abschluss dieses Moduls sollten die Studierenden in der Lage sein grundlegende Konzepte des maschinellen Lernens zu verstehen und korrekt anzuwenden, elementare Werkzeuge zur Analyse der Leistungsfähigkeit von maschinellen Lernverfahren zu beherrschen, die wichtigsten Grenzen von Methoden des maschinellen Lernens zu erkennen, Strategien zur Überwindung solcher Einschränkungen vorzuschlagen.

Prüfung

1 Prüfung: schriftliche Prüfung, 90 Minuten, oder mündliche Prüfung, 30 Minuten, oder Take-Home-Prüfung
1 Studienleistung: 50% der Übungen müssen bestanden werden

Literatur

• Understanding Machine Learning, Shalev-Schwartz & Ben-David, 2014
• Learning Theory from First Principles, Bach, 2024
• Deep Learning, Goodfellow et al., 2016
• Mathematical Theory of Deep Learning, Petersen & Zech, 2024
• Mathematics for Machine Learning, Deisenroth et al., 2020
• Neural Networks and Deep Learning, Aggarwal, 2023 (2nd edition)
• Deep Learning Architectures, Calin, 2020