Maschinelles Lernen

Literatur: Jeremy Watt, Reza Borhani & Aggelos Katsaggelos. Machine Learning Refined: Foundations, Algorithms, and Applications. Cambridge University Press. First edition: Cambridge, November 4, 2016, ISBN 9781107123526; Second edition: Cambridge, January, 2020, ISBN 9781108480727; Language: English.

Inhalt der Vorlesung:

• Einleitung/Überblick
• Mathematische Grundlagen
  • Approximation
  • Optimalität
  • Numerische Optimierungsverfahren
• Überwachtes Lernen (Supervised Learning)
  • Regression
    • Lineare Regression
    • Wissensbasiertes Feature-Design
    • Nichtlineare Regression
    • Regression mit Regularisierung
  • Klassifikation
    • k-Nearest Neighbor Classification
    • Perzeptron-Algorithmen (basic model, softmax cost function, margin perceptron, etc.)
    • Support Vector Machines (SVM)
    • Mehrklassen-Klassifikation
    • Wissensbasiertes Feature-Design
• Unüberwachtes Lernen und Dimensionsreduktionstechniken
  • Clusteranalyse
    • k-Means Clustering
    • Spectral Clustering
    • Gaussian Mixture Model (GMM)
  • Hauptkomponentenanalyse (PCA)
• Weitere Algorithmen des ML
  • Kerne
  • Backpropagation
  • Neuronale Netze
  • Modell-Validierung
  • Überblick über weitere Verfahren in ML und Artificial Intelligence (AI) (reinforcement learning, agent systems, ant colony optimization, etc.)