Modul
Maschinelles Lernen - Grundlagen und Algorithmen [M-INFO-105778]
Leistungspunkte
6Turnus
Jedes SommersemesterDauer
1 SemesterSprache
EnglischLevel
4Version
2Verantwortung
Einrichtung
- KIT-Fakultät für Informatik
Bestandteil von
Teilleistungen
Identifier | Name | LP |
---|---|---|
T-INFO-111558 | Maschinelles Lernen - Grundlagen und Algorithmen | 6 |
Erfolgskontrolle(n)
Siehe Teilleistung
Qualifikationsziele
- Studierene Erlangen Kenntnis der grundlegenden Methoden des Maschinellen Lernens
- Studierende erlangen die mathematischen Grundkenntnisse um die theoretischen Grundlagen des Maschinellen Lernens verstehen zu können
- Studierende können Methoden des Maschinellen Lernens einordnen, formal beschreiben und bewerten
- Studierende können ihr Wissen für eine Auswahl geeigneter Modelle und Methoden für ausgewählte Probleme im Bereich des Maschinellen Lernens einsetzen
Voraussetzungen
Siehe Teilleistung.
Inhalt
Das Forschungsgebiet Maschinelles Lernen hat in den letzten Jahren enorme Fortschritte gemacht und gute Kenntnisse im Maschinellen Lernen werden auch am Arbeitsmarkt immer gefragter. Maschinelles Lernen beschreibt den Wissenserwerb eines künstlichen Systems aufgrund von Erfahrung oder Daten. Regeln oder bestimmte Berechnungen müssen also nicht mehr händisch codiert werden sondern können von intelligenten Systemen aus Daten extrahiert werden.
Diese Vorlesung bietet einen Überblick über essentielle Methoden des Maschinellen Lernens. Nach einer Wiederholung der notwendigen mathematischen Grundkenntnisse beschäftigt sich die Vorlesung hauptsächlich mit Algorithmen für Klassifikation, Regression und Dichteschätzung. Beispielhafte Auflistung der Themen:
- Basics in Linear Algebra, Probability Theory, Optimization and Constraint Optimization
- Linear Regression
- Linear Classification
- Model Selection, Overfitting, and Regularization
- Support Vector Machines
- Kernel Methods
- Bayesian Learning and Gaussian Processes
- Neural Networks
- Dimensionality Reduction
- Density estimation
- Clustering
- Expectation Maximization
- Graphical Models
Empfehlungen
Siehe Teilleistung.
Arbeitsaufwand
180h, aufgeteilt in:
• ca 45h Vorlesungsbesuch
• ca 15h Übungsbesuch
• ca 90h Nachbearbeitung und Bearbeitung der Übungsblätter
• ca 30h Prüfungsvorbereitung