Maschinelles Lernen WS 2020/2021
Maschinelles Lernen
Verantwortliche |
Prof. Dr. Johannes Kraus Dr. Maria Lymbery |
Zeit |
Vorlesung: Di. 12:00 bis 14:00 und Mi. 10:00 bis 12:00 Übung: Fr. 12:00 bis 14:00 |
Raum |
Online-Kurs (Format: Zoom-Video-Konferenz) |
Kurs in moodle | |
Einschreibeschlüssel |
ML_WS_2020/2021 |
Vorbesprechung |
3. November, Di. 12:15 Uhr |
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
- Regression
- Unüberwachtes Lernen und Dimensionsreduktionstechniken
- Clusteranalyse
- k-Means Clustering
- Spectral Clustering
- Gaussian Mixture Model (GMM)
- Hauptkomponentenanalyse (PCA)
- Clusteranalyse
- 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.)