de | en
Anmelden

Maschinelles Lernen
Machine Learning

Modul IN2064

Dieses Modul wird durch Fakultät für Informatik bereitgestellt.

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 2015WS 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
GesamtaufwandPräsenzveranstaltungenUmfang (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

WS 2018/9 WS 2017/8 WS 2016/7 WS 2015/6
ArtSWSTitelDozent(en)Termine
VI 6 Machine Learning (IN2064) Bojchevski, A. Günnemann, S. Shchur, O. Zügner, D. Di, 12:15–13:45, MW 0001
Mi, 12:00–14:00, 5611.02.018
Mi, 16:00–19:00, MI HS1
Mo, 10:00–12:00, MW 0001
sowie einzelne oder verschobene Termine

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

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.

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.

Aktuell zugeordnete Prüfungstermine

Derzeit sind in TUMonline die folgenden Prüfungstermine angelegt. Bitte beachten Sie neben den oben stehenden allgemeinen Hinweisen auch stets aktuelle Ankündigungen während der Lehrveranstaltungen.

Titel
ZeitOrtInfoAnmeldung
Maschinelles Lernen
Do, 14.2.2019, 10:30 bis 12:30 Interims I: 101
MW: 0001
MW: 1801
MW: 2001
00.02.001
MI: 00.02.001
 Import bis 15.1.2019 (Abmeldung bis 7.2.2019)
Nach oben