Nach Abschluss des Moduls sind die Studierenden in der Lage

• die grundlegenden Methoden des maschinellen Lernens sowie deren Anwendungsdomäne zu benennen,
• bei konkreten praktischen Problemen die verschiedenen Methoden des maschinellen Lernens auf ihre Anwendbarkeit hin zu analysieren,
• bei konkreten praktischen Problemen geeignete Methoden und Werkzeuge des maschinellen Lernens anzuwenden,
• bei konkreten praktischen Problemen die Ergebnisse verschiedener Methoden des maschinellen Lernens zu bewerten,
• die mathematischen Grundlagen des maschinellen Lernens zu verstehen,
• theoretische Analysen des maschinellen Lernens selbständig durchzuführen.

• Voraussetzung für die Anwendung von ML
• Arten des ML
• Perceptron Lernalgorithmus
• Lineare Regression
• Nichtlineare Transformation
• Fehlermaße
• Vapnik-Chervonenkis-Ungleichung
• Vapnik-Chervonenkis Dimension
• Verzerrung/Varianz-Dilemma
• Lernkurven
• Neuronale Netze
• Backpropagation Algorithmus
• Methode des steilsten Abstiegs
• Regularisierung
• Validierung + Kreuzvalidierung
• Support Vector Machines (SVMs,)
• Radial basierte Funktionen
• K-Means Clustering

Vorlesung mit gemischten Medien (Folien, Tafelarbeit, Demonstrationen, etc.), Gruppenarbeit in den Übungen.

Deutsch

Klausur oder Prüfungsgespräch oder die Bearbeitung wöchentlich gestellter Aufgaben.

Abu-Mostafa, Yaser S.; Magdon-Ismail, Malik; Lin, Hsuan-Tien (2012): Learning from data. A short course. [s.l.]: AMLbook.

Alpaydın, Ethem (2008): Maschinelles Lernen. München: Oldenbourg.

Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron: Deep learning. Cambridge, Massachusetts, London, England: The MIT Press (Adaptive computation and machine learning).

6 (180 h = 72 h Präsenz- und 108 h Eigenstudium)