LFU:online

Studierende erwerben tiefgehende Kenntnisse über Supervised Learning mittels Verteilungsre-gression, über Unsupervised Learning für multivariate Daten sowie Supervised Learning mittels algorithmischer Modelle. Sie besitzen die Fähigkeit, für eine konkrete Aufgabe eigenständig ein wahrscheinlichkeitstheoretisches Modell auszuwählen und anzupassen, insbesondere fällt darun-ter die Wahl geeigneter Antwortverteilung, Regressoren und Algorithmen zur Parameterschät-zung. Sie sind in der Lage, dimensionsreduzierende Verfahren sowie Scaling, Clustering und Assoziationsanalyse anzuwenden. Für eine konkrete Problemstellung können sie eigenständig ein prädiktives Modell auswählen und anpassen, insbesondere setzen sie flexible Lernstrategien unter Verwendung ent-sprechender Bausteine (Base Learners, Kernels, Regeln usw.) sowie Hyperparameter-Tuning um.

Einführung in die Grundlagen des Deep learnings: statistische Lerntheorie, neuronale Netze, Optimierung, Rückpropagation. Anwendungen in Bildverabeitung, Inversen Problemen und Optimal Control