Maschinelles Lernen I

Lernziele und Kompetenzen

Die Studierenden beherrschen die Grundkonzepte des Maschinellen Lernens (ML) und einige der wichtigsten Lernverfahren. Sie sind in der Lagem diese Verfahren theoretisch zu durchdringen, einen geeigneten Algorithmus für ein gegebenes Problem auszuwählen, anzuwenden und ggfs. auch zu modifizieren. Sie können die Ergebnisse kritisch interpretieren und die Modelle testen und validieren.

Vorlesungsinhalt

Ziel dieses Moduls ist eine Einführung und das Maschinelle Lernen. Dazu gehören grundlegendende Konzepte (Überwachtes und Unüberwachtes Lernen, Trainings- und Test Loss, Kreuzvalidierung, Curse of Dimensionality, Tradeoffs in ML, Bayesian Learning, etc.) und grundlegende Verfahren (Clustering, Dimensionsreduktion, Logistische Regression, Baumbasierte Methoden, Bagging, Boosting, Support Vector Machines). Dabei werden auch die probabilistischen Konzepte des ML diskutiert. In den Übungen wird die Fähigkeit, diese mit Python oder R anzuwenden erlangt, wozu auch die Visualisierung der Daten und deren Vorverarbeitung sowie die Bewertung der gelernten Modelle gehört.

Literatur

• Murphy, Probabilistic Machine Learning: An Introduction, MIT Press

• Kroese, Botev, Taimre, Vaisman, Data Science and Machine Learning, Chapman \& Hall/CRC