Inhalt
| Kurzkommentar |
- Alle Materialien werden im zugeordneten Moodle-Kurs zur Verfügung gestellt.
- Einschreibeschlüssel wird in der ersten Vorlesung bekannt gegeben.
|
| Inhalt |
- Linear Regression
- Linear Classification
- Nonlinear Modeling and Generalization
- Kernel Functions
- Perceptron and Support Vector Machines
- Non-Parametric Algorithms
- Decision Trees
- Ensemble Methods
- Neural Networks and Deep Learning
- Recommender Systems
- Autoencoder
- Generative Adversarial Networks
- Additional Selected Topics in Machine Learning
|
| Literatur |
J. Friedmanetal. (2001). The Elements of Statistical Learning.
C. Shalizi (2019). Advanced Data Analysis from an Elementary Pointof View.
K. P. Murphy (2012). Machine Learning: A Probabilistic Perspective. |
| Lernziele |
The goal of this course is to give an introduction to the field of machine learning. The course will teach you basic skills to decide which learning algorithm to use for what problem, code up your own learning algorithm and evaluate and debug it. |
| Voraussetzungen |
- Ein erfolgreich bestandener Grundkurs Künstliche Intelligenz, Maschinelles Lernen oder Data Mining.
- Solide Kenntnisse in Analysis und Linearer Algebra.
- Kenntnisse in Python und Git.
|
| Leistungsnachweis |
Siehe Modulhandbuch. |
