LFU:online

Wie kann man lernende Softwaresysteme konstruieren, die ihre Parameter anhand von Beispieldaten selbständig justieren, ihre eigene Leistung ständig optimieren und/oder automatisch an wechselnde Rahmenbedingungen anpassen? Dieser Kurs vermittelt Grundwissen in elementaren Techniken und Kompetenzen in der Formulierung und Lösung von Problemen des maschinellen Lernens.

Breite Grundlagen in statistischen Methoden. Überwachtes Lernen: Klassifikation und Regression. Unüberwachtes Lernen: Clustering, Dichteschätzung und Dimensionsreduktion.

Die Vorlesung vermittelt theoretisches Wissen, das im Rahmen des zugehörigen Proseminars in mündlichen und schriftlichen Übungen sowie Programmierprojekten zur Anwendung gebracht und vertieft wird.

Die Bewertung des Kurses basiert auf regelmäßigen schriftlichen und/oder mündlichen Beiträgen der Teilnehmer.

Dieser Kurs wird das meiste Material aus Pattern Recognition and Machine Learning von Chris Bishop beziehen.

Zusätzliches Material stammt aus anderen Quellen und wird den Studenten vor der Vorlesung zur Verfügung gestellt.

In diesem Kurs werden grundlegende Python-Programmierkenntnisse vorausgesetzt.

Es wird empfohlen, diesen Kurs nach Abschluss der "VU Einführung in die Programmierung: Programmierung mit Python" aus der Ergänzung Digital Science oder einem gleichwertigen Kurs zu besuchen.

Das Aufnahmeverfahren basiert auf einer priorisierten Randomisierung. Studierende, die in der Ergänzung Digital Science fortgeschritten sind, haben Vorrang, insbesondere diejenigen, die Modul 1 (Python) bestanden haben. 

Der Kurs ist über 9 erste Wochen des Semesters geblockt, also 5 Wochenstunden! Der Vorlesungsteil findet im Rahmen von 703.075 statt. Der Inhalt der Vorlesungen ist in beiden Kursen bis zur Woche 9 identisch. In 703.075 wird zusätzlich Reinforcement Learning behandelt.