Navigation

Machine Learning: Introduction

Dozent/in

Details

Zeit/Ort n.V.:

Anmeldung mit Themenanfrage per E-Mail vor Beginn des Seminars; Die Themen werden nach dem Prinzip "Wer zuerst kommt, mahlt zuerst" verteilt.

  • Zeit/Ort n.V.

Studienfächer / Studienrichtungen

  • WPF CE-BA-SEM ab Sem. 1
  • WPF INF-BA-SEM ab Sem. 4

Prerequisites / Organizational information

Dieser Kurs richtet sich an Anfänger, die mit maschinellem Lernen nicht vertraut sind, oder an Studierende, die eine schnelle Auffrischung suchen.
Anmeldung via e-mail an tobias.feigl@fau.de

Inhalt

Dieses Seminar führt in das Themengebiet des maschinellen Lernens (ML) ein. ML ist die Wissenschaft, Computer zum Handeln zu bewegen, ohne explizit programmiert zu werden. ML ist heute so allgegenwärtig, dass wir es wahrscheinlich täglich verwenden, ohne es zu wissen. So hat ML in den letzten Jahren beispielsweise selbstfahrende Autos, praktische Bild- und Spracherkennung und die effektive Partner- und Websuche ermöglicht.

Ziel des Seminars ist eine umfassende Einführung in das maschinelle Lernen, Analyse und Verarbeitung von Daten sowie statistische Mustererkennung. Zu den Themen gehören: (1) Klassifizierungs- und Regressionsprobleme; (2) überwachtes Lernen (parametrische und nicht parametrische Algorithmen, lineare und logistische Regression, k-nächster Nachbar, Support-Vector-Machines, Entscheidungsbäume, flache neuronale Netze); (3) unüberwachtes Lernen (K-Means, Clustering, Dimensionsreduktion, PCA, LDA, Empfehlungssysteme); (4) Ensemble- und Online-Lernen; (5) Regularisierung: Modelldiagnose, Fehleranalyse und Qualitätsmetriken sowie Interpretation der Ergebnisse; (5) evolutionäre Algorithmen; (6) Anomalieerkennung und Gaußsche Verteilungen; (7) Bayes, Kalman-Filter und Gaußsche Prozesse.¹

Das Seminar gibt einen Einblick in die Welt des maschinellen Lernens und befähigt den Studierenden eine wissenschaftliche Präsentation und Ausarbeitung anzufertigen, um individuell erworbenes Wissen einem Fachpublikum vermitteln zu können.

¹ Die Themen sind an den aktuellen Forschungsstand angepasst und wechseln sich jährlich ab.

Empfohlene Literatur

- A. Müller und S. Guido: Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly UK Ltd., 2016 - K. P. Murphy: Machine learning - a probabilistic perspective, Adaptive computation and machine learning series, MIT Press, 2012. - T. J. Hastie und R. Tibshirani und J. H. Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Series in Statistics, 2009. - T. M. Mitchell: Machine Learning, McGraw-Hill Education Ltd., 1997 - F. V. Jensen: An Introduction To Bayesian Networks, Springer, 1996 - J. A. Freeman: Simulating neural networks - with Mathematica, Addison-Wesley Professional, 1993 - J. A. Hertz und A. Krogh und R. G. Palmer: Introduction to the theory of neural computation, Westview Press, 1991 - R. Rojas: Theorie der neuronalen Netze - eine systematische Einführung, Springer, 1993 - W. Banzhaf und F. D. Francone und R. E. Keller und P. Nordin: Genetic programming - An Introduction: On the Automatic Evolution of Computer Programs and Its Applications, Morgan Kaufmann, 1998 - M. Mitchell: An introduction to genetic algorithms, MIT Press, 1996 - Z. Michalewicz: Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1992 - M. Bishop: Pattern Recognition and Machine Learning (Information Science and Statistics), Springer, 2006

Zusätzliche Informationen

www: https://www.studon.fau.de/crs3111212.html