de | en

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 WS 2011/2

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 Bachelor-Niveau und 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

kNN & k-means; lineare Methoden; Bayes-Regel, ML-Schätzer, MAP-Schätzer, Versteckte Markov-Modelle, Erwartungs-Maximierung, nichtlineare neuronale Netze und Fehlerpropagierung, Mixturmodelle, Stützvektormaschinen, stochastische Suche, unüberwachtes Lernen

Lernergebnisse

Nach dem Bestehen des Moduls verstehen die Teilnehmer die statistischen Grundlagen des maschinellen Lernens und verfügen über Grundlagenkenntnisse 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

ArtSWSTitelDozent(en)Termine
VU 6 Machine Learning (IN2064) Bojchevski, A. Groh, G. Günnemann, S. Shchur, O. Di, 12:00–14:00, MW 0001
Do, 08:00–10:00, 5608.EG.059
Mo, 10:00–12:00, MW 0001
Mi, 16:00–19:00, MI HS1
sowie einzelne oder verschobene Termine

Lern- und Lehrmethoden

Vorlesung, Übung, Aufgaben zum Selbststudium

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 erbracht. In dieser soll nachgewiesen werden, dass in begrenzter Zeit ein Problem erkannt wird und Wege zu einer Lösung gefunden werden können.

Wiederholbarkeit

Eine Wiederholungsmöglichkeit wird am Semesterende angeboten.

Nach oben