Maschinelles Lernen

NUMMER: n.n.
KÜRZEL: ML
MODULBEAUFTRAGTE:R: Prof. Dr. Asja Fischer
DOZENT:IN: Prof. Dr. Asja Fischer
FAKULTÄT: Fakultät für Informatik
SPRACHE: Englisch
SWS: 4 SWS
CREDITS: 5 CP
WORKLOAD: 150 Stunden
ANGEBOTEN IM: jedes Wintersemester

BESTANDTEILE UND VERANSTALTUNGSART

Machine Learning – Vorlesung (2 SWS)
Machine Learning – Übung (2 SWS)

PRÜFUNGEN

FORM: schriftlich
ANMELDUNG: eCampus
DATUM: 0000-00-00
BEGINN: 00:00:00
DAUER: 120 min
RAUM:

LERNFORM

Vorlesung: Hörsaalvorlesung mit Medienunterstützung

Übung: Vertiefung und Erläuterung des Stoffes an Beispielen, Bearbeitung von Übungsaufgaben in Kleingruppen (darunter kleine Programmieraufgaben)

LERNZIELE

Nach dem erfolgreichen Abschluss des Moduls

- kennen die Studierenden verschiedene Konzepte und Methoden des maschinellen Lernens
- können die Studierenden konkrete Projektanforderungen als maschinelle Lern-Probleme identifizieren
- können die Studierenden verschiedene maschinelle Lernmethoden umsetzen, anwenden sowie auf spezifische Anwendungsprobleme anpassen
- können die Studierenden das erlangte algorithmische Grundverständnis auf neue Verfahren übertragen und sind daher in der Lage, weitere Methoden selbstständig anhand von Literatur zu erarbeiten und neue Entwicklungen auf dem Gebiet kritisch zu beurteilen

INHALT

Die Vorlesung hat zum Ziel, die grundlegenden Konzepte des maschinellen Lernens zu vermitteln. Es werden verschiedene Verfahren und Methoden des maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Die verschiedenen Lern-Paradigmen „Überwachtes Lernen“, „Unüberwachtes Lernen“ und „Reinforcement Lernen“ sollen eingeführt werden. Inhaltlich spielen hier einerseits Methoden zur Klassifikation oder Regression (wie beispielsweise Lineare Methoden, Kern-Methoden wie Support Vector Maschinen, Neuronale Netze) und Konzepte wie Generalisierung und Overfitting eine Rolle. Andererseits sind Methoden zur Dimensionsreduktion, zum Clustering und zur Outlier Detektion von Bedeutung.

Um das Wissen zu operationalisieren, werden in den Übungen praktische Erfahrungen mit Lernalgorithmen gesammelt.

VORAUSSETZUNGEN

keine

VORAUSSETZUNGEN CREDITS

Bestandene Modulabschlussprüfung

EMPFOHLENE VORKENNTNISSE

Solide Grundlagen in Mathematik (Inhalt der Module Mathematik 1 – Grundlagen, Mathematik 2 – Algorithmische Mathematik und Mathematik 3 – Anwendungen) und Informatik (Inhalte der Module Informatik 1 – Programmieren, Informatik 2 – Algorithmen und Datenstrukturen und Informatik 3 – Theoretische Informatik).

Weiterhin sollten die Grundkonzepte der künstlichen Intelligenz bekannt sein (Inhalte des Moduls Künstliche Intelligenz).

LITERATUR

1. P. Murphy: „Machine Learning: A Probabilistic Perspective“, MIT Press 2012
2. C. M. Bishop: „Pattern Recognition and Machine Learning“, Springer, 2006

AKTUELLE INFORMATIONEN

SONSTIGE INFORMATIONEN

Aktuelle Informationen wie Vorlesungstermine, Räume oder aktuelle Dozent*innen und Übungsleiter*innen sind im Vorlesungsverzeichnis der Ruhr-Universität https://vvz.rub.de/ und im eCampus https://www.rub.de/ecampus/ecampus-webclient/ zu finden.