LFU:online

Die Studierenden kennen und verstehen nach Abschluss dieses Moduls wichtige Methoden des maschinellen Lernens, die es Softwaresystemen erlauben, ihre Parameter anhand von Beispieldaten selbstständig zu justieren und/oder ihre eigene Leistung laufend zu optimieren. Sie sind in der Lage, Anwendungsprobleme für maschinelles Lernen zu formalisieren und mittels etablierter Methoden zu lösen.

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

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

schriftliche Klausur

Dieser Kurs wird das meiste Material aus Pattern Recognition and Machine Learning von Chris Bishop beziehen. Der Teil des Verstärkungslernens wird in Sutton und Barto "Reinforcement Learning: an Introduction - Second Edition" behandelt. 

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

Weitere Lehrbücher, die jedoch viel Lehrmaterial enthalten, welches über den Inhalt der Vorlesung hinausgeht sind:

Probabilistic Machine Learning: An Introduction, Kevin Patrick Murphy, MIT Press 2022

Probabilistic machine learning: Advanced topics, Kevin Patrick Murphy, MIT Press 2023

Bayesian Reasoning and Machine Learning, David Barber, Cambridge University Press, 2012

Information Theory, Inference and Learning Algorithms, David J. C. MacKay, Cambridge University Press, 2003

Theoretical Neuroscience - Computational and Mathematical Modeling of Neural Systems, Laurence F. Abbott and Peter Dayan, MIT Press 2005