Maschinelles Lernen
Machine Learning
Modul IN2064
Diese Modulbeschreibung enthält neben den eigentlichen Beschreibungen der Inhalte, Lernergebnisse, Lehr- und Lernmethoden und Prüfungsformen auch Verweise auf die aktuellen Lehrveranstaltungen und Termine für die Modulprüfung in den jeweiligen Abschnitten.
Modulversion vom SS 2015 (aktuell)
Von dieser Modulbeschreibung gibt es historische Versionen. Eine Modulbeschreibung ist immer so lange gültig, bis sie von einer neuen abgelöst wird.
| verfügbare Modulversionen | |
|---|---|
| SS 2015 | WS 2011/2 |
Basisdaten
IN2064 ist ein Semestermodul in Englisch auf Master-Niveau das im Wintersemester angeboten wird.
Das Modul ist Bestandteil der folgenden Kataloge in den Studienangeboten der Physik.
- Allgemeiner Katalog der nichtphysikalischen Wahlfächer
| Gesamtaufwand | Präsenzveranstaltungen | Umfang (ECTS) |
|---|---|---|
| 240 h | 90 h | 8 CP |
Inhalte, Lernergebnisse und Voraussetzungen
Inhalt
Wahrscheinlichkeitstheorie; kNN & k-means; lineare Methoden; Bayes-Regel, MLE-Schätzer, MAP-Schätzer, Erwartungs-Maximierung, nichtlineare neuronale Netze und Fehlerpropagierung, Mixturmodelle, Stützvektormaschinen, stochastische Suche, unüberwachtes Lernen
Lernergebnisse
Nach dem Bestehen des Moduls verstehen die Teilnehmer die probabilistischen Grundlagen des maschinellen Lernens und verfügen über Kenntnisse zu essentiellen Lernalgorithmen; sie sind in der Lage, bei gegebener Problemstellung geeignete Algorithmen auszuwählen, zu beschreiben und herzuleiten.
Voraussetzungen
MA0901 Lineare Algebra für Informatik, MA0902 Analysis für Informatik, IN0018 Diskrete Wahrscheinlichkeitstheorie
Lehrveranstaltungen, Lern- und Lehrmethoden und Literaturhinweise
Lehrveranstaltungen und Termine
| Art | SWS | Titel | Dozent(en) | Termine |
|---|---|---|---|---|
| VI | 6 | Machine Learning (IN2064) | Bojchevski, A. Günnemann, S. Shchur, O. Zügner, D. |
Di, 12:15–13:45, MW 0001 Mi, 16:00–19:00, MI HS1 Do, 08:00–10:00, 5608.EG.059 Mo, 10:00–12:00, MW 0001 |
Lern- und Lehrmethoden
Flipped Classroom Vorlesung zu den Themen: probability theory; kNN; multi-variate gaussian; linear regression and classification; kernels; constrained optimisation; SVM; GP; neural network; unsupervised learning; expectation maximiation; learning theory.
Tutorium zu den og Themen
Hausaufgaben zum Selbststudium zu den og Themen
Tutorium zu den og Themen
Hausaufgaben zum Selbststudium zu den og Themen
Medienformen
Folien; Videos
Literatur
Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer, Berlin, New York, 2006.
David J. C. MacKay. Information theory, inference, and learning algorithms. Cambridge Univ. Press, 2008.
Kevin Murphy. Machine Learning: a Probabilistic Perspective. MIT Press. 2012.
David J. C. MacKay. Information theory, inference, and learning algorithms. Cambridge Univ. Press, 2008.
Kevin Murphy. Machine Learning: a Probabilistic Perspective. MIT Press. 2012.
Modulprüfung
Beschreibung der Prüfungs- und Studienleistungen
Die Prüfungsleistung wird in Form einer Klausur von 120 Minuten erbracht. In dieser soll nachgewiesen werden, dass für spezifische Probleme geeignete Lernalgorithmen ausgewählt werden können und die probabilistischen Grundlagen verstanden wurden.
Wiederholbarkeit
Eine Wiederholungsmöglichkeit wird am Semesterende angeboten.