Preliminary knowledge

Grundlagen der Programmierung, Stochastik, Lineare Algebra, Analysis

Für dieses Modul werden Kenntnisse der Programmierung vorausgesetzt.

Contents

Die Vorlesung vermittelt einen allgemeinen Überblick über die wichtigsten Techniken des Maschinellen Lernens (ML). Es werden verschiedene Verfahren und die zugehörigen Algorithmen betrachtet. Der Fokus liegt auf Techniken des überwachten und unüberwachten Lernens. Darüber hinaus wird betrachtet, wie Daten zur Verwendung in ML-Komponenten analysiert und vorverarbeitet werden müssen.

Die folgenden Themen werden in der Vorlesung unter anderem behandelt:

• Lineare Regression und Klassifikation
• Nichtlineare Verfahren
• Decision Trees und Support Vector Machines
• Neuronale Netze und Deep Learning
• Clustering
• Dimensionsreduktion

Literature

• Geron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly.
• Albon, Chris; Langenau, Frank. 2019. Machine Learning Kochbuch: Praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning. O’Reilly.
• Goodfellow, Ian; Yoshua Bengio; Aaron Courville. 2016. Deep Learning. MIT Press.
• Griffiths, Dawn. 2008. Head First Statistics. O'Reilly Germany.

Participants

• AI-SE-Ba-2017 > Vertiefungsstudium > Wahlpflichtbereich I: Informatik > (5th-6th Semester, Elective) Modul "Grundlagen des Maschinellen Lernens"
• LA-Info-GyGe-Ma-2014 > Wahlpflichtbereich Informatik > (1st-3rd Semester, Elective) Modul "Grundlagen des Maschinellen Lernens"
• SE-Ba-2023 > Pflichtbereich > Pflichtbereich II: Programmierung und Entwicklung > (5th-6th Semester, Compulsory) Modul "Grundlagen des Maschinellen Lernens"
• WiInf-Ba-2010-V2013 > Vertiefungsstudium > Wahlpflichtbereich > Vertiefungsrichtung "Modellierung und Realisierung betrieblicher Informationssysteme" > (5th-6th Semester, Elective) Modul "Grundlagen des Maschinellen Lernens"