LFU:online

Absolventinnen und Absolventen dieses Moduls erwerben fundierte Kenntnisse über Learnalgorithmen bzw. über Methoden, die zur Herleitung moderner von Lernalgorithmen verwendet werden. Ein Fokus sind Methoden zum unüberwachten und halb-überwachten Lernen und probabilistische generative Modelle (siehe Inhalt für Details zu diesen Themen). Absolventinnen und Absolventen sind in der Lage, sich kreativ und methodisch korrekt mit diesen Themen auseinanderzusetzen, um sich selbstständig weiterzubilden. Insbesondere erwerben sie die Fähigkeit, selbst Methoden zur Herleitung von Lernalgorithmen auszuwählen, anzupassen oder selbst zu entwickeln. Für gegebene forgeschrittene Modelle sind sie dann in der Lage, geeignete approximative Lern-/Optimierungsverfahren anzuwenden und/oder zu entwickeln. Sie erwerben zudem die Fähigkeit, die entsprechenden Methodenfür verschiedene Aufgaben zu verwenden.

Der Kurs besteht aus den Teilen:

Einführung und Auffrischung von elementaren Konzepten der probabilistischen Daten-Modellierung

Approximations-Methoden

Tiefe Generative Modelle

Weitere fortgeschrittene Themen

Für Details verweisen wir auf die englischsprachige Seite der Inhaltsbeschreibung.

Pattern Recognition and Machine Learning, Christopher M. Bishop, Springer 2006

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

Es werden Vorkenntnisse in Machine Learning benötigt wie sie z.B. im Bachelor-Kurs "Machine Learning" vermittelt werden. Des weiteren werden hinreichende mathematisch-analytische Kenntnisse sowie Programmier-Kenntnisse benötigt. Inhalte der Bachelor-Vorlesung "Probabilistic Generative Models" werden sehr empfohlen und erleichtern den Zugang zur Vorlesung. Diese Bachelor Vorlesung ist allerdings keine strikte Voraussetzung. So werden z.B. Approximations-Verfahren unabhängig von dieser Vorlesung vermittelt.

703339 Perception, Interaction and Robotics A: Advanced Probabilistic Machine Learning VU 3 can also be used for the stream Logic and Learning (a recognition is needed).