Modul

Die Modulprüfung erfolgt in Form einer mündlichen Gesamtprüfung (ca. 30 min).

Die Studierenden

• kennen die Grundprinzipien und Problemstellungen des maschinellen Lernens und können Lernverfahren auf diese zurückführen,
• können die Funktionsweise ausgewählter Verfahren des maschinellen Lernens erläutern und diese Verfahren anwenden,
• sind in der Lage eine statistische Analyse von ausgewählten Lernverfahren herzuleiten und zu diskutieren,
• können sich neue Lernverfahren selbständig erarbeiten und anwenden.

Keine

Der Kurs zielt auf eine rigorose und mathematische Analyse einiger populärer Methoden des maschinellen Lernens ab, wobei der Schwerpunkt auf statistischen Aspekten liegt. Themen sind:

• Regression
  • Empirische Risikominimierung
  • Lasso
  • Regressionsbäume und Random Forests
• Klassifizierung
  • Bayes-Klassifizierer
  • Modellbasierte Klassifizierer (z. B. logistische Regression, Diskriminanzanalyse)
  • modellfreie Klassifizierer (z. B. K-Nächste Nachbarn, Support Vector Machines)
• Neuronale Netze
  • Training
  • Approximationseigenschaften
  • statistische Analyse
• Unüberwachtes Lernen
  • Hauptkomponentenanalyse
  • Clustering
  • generative Modelle

Die Inhalte des Moduls "Wahrscheinlichkeitstheorie" werden dringend empfohlen. Das Modul "Statistik" (M-MATH-103220) wird empfohlen.

Gesamter Arbeitsaufwand: 240 Stunden

Präsenzzeit: 90 Stunden

• Lehrveranstaltung einschließlich studienbegleitender Modulprüfung

Selbststudium: 150 Stunden

• Vertiefung der Studieninhalte durch häusliche Nachbearbeitung des Vorlesungsinhaltes
• Bearbeitung von Übungsaufgaben
• Vertiefung der Studieninhalte anhand geeigneter Literatur und Internetrecherche
• Vorbereitung auf die studienbegleitende Modulprüfung