Maschinelles Lernen
Prof. Dr.-Ing. Bodo Rosenhahn
Organisatorisches
Diese Veranstaltung findet in Präsenz statt. Weitere Informationen finden Sie auf StudIP.
Übungsbetreuung:
Fachnr: TBD
Termine (jeweils im Sommersemester, 4 Semesterwochenstunden):
Prüfung (ab SS 2017):
- Klausur (90 Minuten)
- Hilfsmittel: nichtprogrammierbarer Taschenrechner
- Termine: siehe
Es wird eine Online-Prüfung über Ilias während des Semesters angeboten, die als gegebenenfalls benötigte Studienleistung für den 5. Leistungspunkt gewertet wird.
Deren Teilnahme ist verpflichtend und Vorraussetzung zur Teilnahme an der Klausur.
Vorlesungsbegleitendes Material: siehe
Inhaltsverzeichnis
- Unüberwachtes lernen (Cluster-Verfahren)
- Minimale Spannbäume, Markov Clustering
- Bayes Classifier
- Hidden Markov Models
- PCA
- Adaboost
- Spieltheorie, MCTS
- Random Forest
- Neuronale Netze
- Faltungsnetze
- Deep Learning
- ...
Gegenstand der Vorlesung
Die Vorlesung widmet sich klassischen wie aktuellen Paradigmen des maschinellen Lernens. Ziel ist die „künstliche“ Generierung von Wissen aus Erfahrung oder Beispielen: Ein künstliches System analysiert Beispiele (Daten) strukturiert und lernt aus genau diesen Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Neben unüberwachten Lernverfahren und statistischen Lernverfahren werden auch Adaboost, Random Forests und Neuronale Netze behandelt. Beispiele zur bildbasierten Objekterkennung oder Klassifikation stellen aktuelle Anwendungsbezüge her.
Voraussetzungen
Grundstudium
Ergänzende Literatur
- Wird in der Vorlesung bekannt gegeben
Ergänzende Vorlesungen
