LFU:online

Wie kann man lernende Softwaresysteme konstruieren, die ihre Parameter anhand von Beispieldaten selbständig justieren, ihre eigene Leistung ständig optimieren und/oder automatisch an wechselnde Rahmenbedingungen anpassen? Dieser Kurs vermittelt Grundwissen in elementaren Techniken und Kompetenzen in der Formulierung und Lösung von Problemen des maschinellen Lernens.

Breite Grundlagen in statistischen Methoden. Überwachtes Lernen: Klassifikation und Regression. Unüberwachtes Lernen: Clustering, Dichteschätzung und Dimensionsreduktion.

Die Vorlesung vermittelt theoretisches Wissen, das im Rahmen des zugehörigen Proseminars in mündlichen und schriftlichen Übungen sowie Programmierprojekten zur Anwendung gebracht und vertieft wird.

Die Bewertung des Kurses basiert auf regelmäßigen schriftlichen und/oder mündlichen Beiträgen der Teilnehmer.

Dieser Kurs wird das meiste Material aus Pattern Recognition and Machine Learning von Chris Bishop beziehen.

Zusätzliches Material stammt aus anderen Quellen und wird den Studenten vor der Vorlesung zur Verfügung gestellt.

In diesem Kurs werden grundlegende Python-Programmierkenntnisse vorausgesetzt.

Es wird empfohlen, diesen Kurs nach Abschluss der "VU Einführung in die Programmierung: Programmierung mit Python" aus der Ergänzung Digital Science oder einem gleichwertigen Kurs zu besuchen.

Die Akzeptanz basiert auf einer priorisierten Randomisierung. Studenten, die den oben genannten Kurs absolviert haben, haben Vorrang. 

Diese Lehrveranstaltung wird als Kombination von 703.075 und 703.076 VO+PS Maschinelles Lernen angeboten:

Dieser Kurs ist identisch zu Machine Learning 703.075 (VO3) + 703.076 (PS2), ohne die Reinforcement Learning-Inhalte. Studierende nehmen an diesen VO und PS teil, jedoch lediglich die ersten 9 Semesterwochen.

Temine: sehe 703.075 und 703.076-4 (Groupe 4)