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

-       Python Kenntnisse sind empfehlenswert

-       Mathematik-lastige Vorlesung. Es werden zwar die Grundlagen wiederholt, aber eine

         mathematische  Geschicklichkeit ist hilfreich.

Arbeitsaufwand 150h

·    ca 30h Vorlesungsbesuch

·    ca 15h Übungsbesuch

·    ca 75h Nachbearbeitung und Bearbeitung der Übungsblätter

·    ca 30h Prüfungsvorbereitung