Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     
Logout in [min] [minutetext]

Machine Learning - Detailansicht

  • Funktionen:
  • Zur Zeit kein Belegungszeitraum aktiv.
Grunddaten
Veranstaltungsart Vorlesung Langtext
Veranstaltungsnummer 5812 Kurztext
Semester SoSe 2024 SWS 4
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Jedes 2. Semester Studienjahr
Hyperlink  
Weitere Links Moodle Kurs
Sprache Deutsch
Belegungsfrist Hauptbelegungszeitraum 26.02.2024 - 22.03.2024

Belegpflicht
Termine Gruppe: [unbenannt] iCalendar Export für Outlook
  Tag Zeit Rhythmus Dauer Raum Raum-
plan
Lehrperson Status Lernziele fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export für Outlook
Do. 09:45 bis 11:15 Einzel am 14.03.2024 Gebäude C - C009        
Einzeltermine ausblenden
iCalendar Export für Outlook
Di. 11:30 bis 13:00 woch von 19.03.2024  Gebäude G - G 101       07.05.2024: Dozent krank
Einzeltermine:
  • 19.03.2024
  • 26.03.2024
  • 09.04.2024
  • 16.04.2024
  • 23.04.2024
  • 30.04.2024
  • 14.05.2024
  • 28.05.2024
  • 04.06.2024
  • 11.06.2024
  • 18.06.2024
  • 25.06.2024
Einzeltermine anzeigen
iCalendar Export für Outlook
Do. 09:45 bis 11:15 woch von 21.03.2024  Gebäude B - B 310       11.04.2024: Die Veranstaltung findet in L028 statt.
27.06.2024: Die Veranstaltung findet in L028 statt.
Einzeltermine anzeigen
iCalendar Export für Outlook
Do. 09:45 bis 11:15 Einzel am 11.04.2024 Gebäude L - L 028        
Einzeltermine anzeigen
iCalendar Export für Outlook
Do. 09:45 bis 11:15 Einzel am 27.06.2024 Gebäude L - L 028        
Gruppe [unbenannt]:
Zur Zeit kein Belegungszeitraum aktiv.
 


Zugeordnete Person
Zugeordnete Person Zuständigkeit
Schneider, Markus, Professor verantwortlich
Laut SPO für
Abschluss Studiengang Semester Kategorie ECTS
Master mit vorausg. Absch Mechatronics MM-S (aus sonstigem Bereich) 2 - 2 Wahlfach 5
Master mit vorausg. Absch Mechatronics MM-M (aus dem Bereich Maschinenbau) 2 - 2 Wahlfach 5
Master mit vorausg. Absch Mechatronics MM-I (aus dem Bereich Informatik) 2 - 2 Wahlfach 5
Master mit vorausg. Absch Mechatronics MM-E (aus dem Bereich Elektrotechnik) 2 - 2 Wahlfach 5
Master mit vorausg. Absch Electrical Engineering and Embedded Systems 2 - 2 Wahlfach 5
Master mit vorausg. Absch Digital Business 2 - 2 Wahlfach 5
Master mit vorausg. Absch Profil IN-Spiele 2 - 2 Wahlpflichtfach 5
Master mit vorausg. Absch Profil IN-IT-Sicherheit 2 - 2 Wahlpflichtfach 5
Master mit vorausg. Absch Informatik 2 - 2 Wahlpflichtfach 5
Master mit vorausg. Absch Profil IN-Künstliche Intelligenz und Autonme Rob. 2 - 2 Wahlpflichtfach 5
Prüfungen / Module
Prüfungsnummer Prüfungsversion Modul
9310 9 Lernfähige Roboter
Zuordnung zu Einrichtungen
Masterstudiengang Digital Business
Masterstudiengang Mechatronics
Masterstudiengang Electrical Engineering and Embedded Systems
Masterstudiengang Informatik
Inhalt
Kurzkommentar
  • Alle Materialien werden im zugeordneten Moodle-Kurs zur Verfügung gestellt. 
  • Einschreibeschlüssel wird in der ersten Vorlesung bekannt gegeben.
Inhalt
  1. Linear Regression
  2. Linear Classification
  3. Nonlinear Modeling and Generalization
  4. Kernel Functions
  5. Perceptron and Support Vector Machines
  6. Non-Parametric Algorithms
  7. Decision Trees
  8. Ensemble Methods
  9. Neural Networks and Deep Learning
  10. Recommender Systems
  11. Autoencoder
  12. Generative Adversarial Networks
  13. 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.


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2024 , Aktuelles Semester: WiSe 2024/25