Maschinelles Lernen
Fakultät für Informatik und Mathematik ©
Name Maschinelles Lernen
Verantwortlich Prof. Dr. David Spieler
SWS 4
ECTS 5
Sprache(n) Deutsch
Englisch
Lehrform SU mit Praktikum
Angebot im Wechsel mit anderen Fächern der gleichen Fachgruppe
Aufwand

30 Präsenzstunden Vorlesung, 30 Präsenzstunden Praktikum, 45 Stunden Vor-/Nachbereitung des Praktikums, 45 Stunden Nachbereitung der Vorlesung und Prüfungsvorbereitung

Voraussetzungen

Kenntnisse in linearer Algebra und Analysis, Grundlegende Programmierkenntnisse.

Ziele

Die Studierenden sind in der Lage, grundlegende Methoden des maschinellen Lernens sicher auf unterschiedlichste Probleme anzuwenden. Es werden Fähigkeiten erlernt, diese Algorithmen in Python (eine der führenden Programmiersprachen im Bereich des maschinellen Lernens) zu implementieren und anzuwenden. Zudem werden die Studierenden in der Lage sein, verschiedenste Daten und Ergebnisse zu visualisieren und zu interpretieren.

Inhalt

In nahezu jedem Bereich unseres täglichen Lebens gewinnen Technologien an Bedeutung, welche anhand von Daten, Analysen oder Vorhersagen generieren. Beginnend bei Suchmaschinen, Robotern bis hin zu personalisierter Medizin werden Verfahren des maschinellen Lernens verwendet, um aus Daten Zusammenhänge zu lernen sowie Vorhersagen über Krankheiten oder über Einkaufsgewohnheiten zu treffen. In diesem Kurs lernen wir die Grundlagen des maschinellen Lernens kennen und werden diese auf unterschiedlichste Probleme anwenden.

Einführung in die Thematik des maschinellen Lernens.

  • Ähnlichkeitsmaße und Distanz-Metriken
  • Datenvorverarbeitung und Visualisierung
  • Klassifikationsverfahren
    • K-Nearest Neighbour
    • Perceptron & Adaline
    • Logistische Regression
    • Entscheidungsbäume
    • Support Vector Machine und Kerntrick
  • Modellauswahl und Hyperparameteroptimierung
    • Wahrheitsmatrix und Kriterien zur Leistungsbewertung
    • Kreuzvalidierung
    • Liniensuch und Rastersuche
    • Was ist Über- und Unteranpassung?
  • Regressionsverfahren
    • Lineare Regression
    • Support Vector Regression

Medien und Methoden

Beamer, Tafel, Jupyter Notebooks.

Literatur

Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Raschka, S. (2017). Machine Learning mit Python. mitp Verlag.

Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical. Springer.

Zuordnungen Curricula
SPO Fachgruppe Code ab Semester Prüfungsleistungen
IF Version 2012 FWP IF-I-B-F76 4 benotete Studienarbeit (40%)
benotete schriftliche Prüfung 90 Minuten (60%)
IC Version 2017 WPF Mathematik IF-S-B-M10 5 benotete Studienarbeit (40%)
benotete schriftliche Prüfung 90 Minuten (60%)
IC Version 2012 WPF Mathematik IF-S-B-M10 4 benotete Studienarbeit (40%)
benotete schriftliche Prüfung 90 Minuten (60%)
IF Version 2019 FWP IF-I-B-F76 4 schriftliche Prüfung
IC Version 2019 Pflicht IF-S-B-604 6 schriftliche Prüfung
IC Version 2020 Pflicht 2 schriftliche Prüfung
GO Version 2014 WPF Technik GO-WP-1917 6 benotete Studienarbeit
benotete schriftliche Prüfung 90 Minuten
GO Version 2017 WPF Vertiefungsfächer GO-WP-1917 6 schriftliche Prüfung