Dieser Kurs führt die Studierenden in den sich schnell entwickelnden Bereich des maschinellen Lernens ein, indem er eine solide Grundlage vermittelt, welche die wichtigsten Konzepte und Techniken in diesem Gebiet umfasst. Die Studierenden werden sich mit verschiedenen Methoden des Supervised, Unsupervised und Reinforcement Learning befassen, sowie mit den dazugehörigen Modelltypen, die von einfachen linearen Klassifikatoren bis hin zu komplexeren Modellen, wie Deep Neural Networks reichen. Zu den Themen gehören die allgemeine Lerntheorie, Support Vector Machines, Decision Trees, Neural Networks, Convolutional Neural Networks, Recurrent Neural Networks, Unsupervised Learning, Reinforcement Learning und Bayesian Learning.

Der Kurs wird von einer entsprechenden Übung begleitet, in welcher die Studierenden praktische Erfahrung sammeln, indem sie verschiedene Algorithmen des maschinellen Lernens implementieren und experimentieren, was ihnen hilft diese auf reale Problemstellungen anzuwenden.

Am Ende des Kurses werden die Studierenden eine solide Grundlage im Bereich des maschinellen Lernens erworben haben, die sie in die Lage versetzt, modernste Algorithmen zur Lösung komplexer Probleme anzuwenden, zu Forschungsarbeiten beizutragen und sich in fortgeschrittene Themen auf diesem Gebiet einzuarbeiten.

Lernziele:

• Studierende erlangen Kenntnis der grundlegenden Methoden im Bereich des Maschinellen Lernens.
• Studierende können Methoden des Maschinellen Lernens einordnen, formal beschreiben und bewerten.
• Die Studierenden können ihr Wissen für die Auswahl geeigneter Modelle und Methoden für ausgewählte Probleme im Bereich des Maschinellen Lernens einsetzen.

Die Foliensätze sind als PDF verfügbar

Weiterführende Literatur

• Machine Learning - Tom Mitchell
• Deep Learning - Ian Goodfellow, Yoshua Bengio, Aaron Courville
• Pattern Recognition and Machine Learning - Christopher M. Bishop
• Artificial Intelligence: A Modern Approach - Peter Norvig and Stuart J. Russell
• Reinforcement Learning: An Introduction - Richard S. Sutton and Andrew G. Barto

Weitere (spezifische) Literatur zu einzelnen Themen wird in der Vorlesung angegeben.