UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
ACHTUNG: seit 15.06.2022 werden Lehrveranstaltungen nur noch über Campo verwaltet. Diese Daten in UnivIS sind nicht mehr auf aktuellem Stand!
 
 Darstellung
 
Druckansicht

 
 
Informatik (Bachelor of Arts (2 Fächer)) >>

  Machine Learning: Introduction

Dozentinnen/Dozenten
Dr.-Ing. Tobias Feigl, M. Sc., Christoffer Löffler, M. Sc., Dr.-Ing. Christopher Mutschler

Angaben
Seminar
Präsenz
2 SWS, ECTS-Studium, ECTS-Credits: 5, Sprache Deutsch oder Englisch, Anmeldung mit Themenanfrage per E-Mail vor Beginn des Seminars; Die Themen werden nach dem Prinzip "Wer zuerst kommt, mahlt zuerst" verteilt.
Zeit und Ort: n.V.; Bemerkung zu Zeit und Ort: Findet teilweise als Blockveranstaltung statt. Weitere Informationen finden Sie im StudOn-Kurs.

Studienfächer / Studienrichtungen
WPF CE-BA-SEM ab 1 (ECTS-Credits: 5)
WPF INF-BA-SEM 4 (ECTS-Credits: 5)

Voraussetzungen / Organisatorisches
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. (erwartete Hörerzahl original: 0, fixe Veranstaltung: nein)

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

ECTS-Informationen:
Credits: 5

Zusätzliche Informationen
www: https://www.studon.fau.de/crs4533482.html
Für diese Lehrveranstaltung ist eine Anmeldung erforderlich.
Die Anmeldung erfolgt über: persönlich beim Dozenten

Verwendung in folgenden UnivIS-Modulen
Startsemester WS 2022/2023:
Biomedizin und Hauptseminar Medizintechnik (BuHSMT)
Machine Learning: Introduction (SemML-I)

Institution: Lehrstuhl für Informatik 2 (Programmiersysteme)
UnivIS ist ein Produkt der Config eG, Buckenhof