Hochschule Darmstadt - Fb Informatik

Drucken| Layout| Design| Schriftgröße English|
Modulbeschreibung
Modul:Maschinelles Lernen

Automated Learning

Belegnummern:41.5012 [PVL 41.5013]
Sprache:deutsch
Zuordnung:Dualer Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
JIM 2013 - Elective Catalogue J
Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
Lehrform:V+P = Vorlesung+Praktikum
SWS:3+1
CP:6
Prüfung:Klausur
Anmeldung zur Prüfung:explizit und unabhängig von der Belegung
PVL (z.B. Praktikum):unbenotet (Erfolgreiche Teilnahme am Praktikum)
Häufigkeit des Angebots:jährlich (zuletzt im SS 2018)
Lernziele:Die Studierenden
  • lernen maschinelle Lernverfahren als Grundbaustein der künstlichen Intelligenz kennen
  • wissen, das ein Modell eine angemessene Abbildung von durch
Merkmalen beschriebenen Daten auf die Ausgabe ist mit dem Ziel, die Freiheitsgrade einzustellen, um den Vorhersagefehler zu minimieren
  • streben mit den Verfahren eine Generalisierung an, um eine zu große Abhängigkeit zu den Trainingsdaten zu vermeiden
  • können Trainings- von Testdaten trennen und kennen typische Probleme wie das verrauschte und fehlerhafte Daten
  • kennen das Problem, aussagekräftige Attribute von Daten zu finden und auszuwählen,
  • kennen die Unterschiede von aktiven, überwachten und unüberwachten Lernen,
  • können verschieden Werkzeuge des Maschinellen Lernens anwenden,
  • können die Stärken und Schwächen der unterschiedlichen Verfahren gegeneinander abwägen
  • kennen verschiedene Anwendungsszenarien.
Lehrinhalte:Grundbegriffe:
  • Beispiele und Erfolge des maschinellen Lernens
  • Modell, Aufgaben des maschinellen Lernens
  • Klassifikation und Clustering

Verfahren:
  • Entscheidungsbäume, Informationsgewinn, Overfitting
  • Partitionierende, hierarchische Clusteringverfahren
  • Neuronale Netze, Backpropagation, Deep Learning
  • Regression, Hidden Markov Modelle, Markovketten
  • Support Vector Maschinen
  • Kollaborative Filterung und Matrix Faktorisierungen
  • Assoziationsregeln, Makros
  • Lernen von Zeichenketten, Zeitreichen und Ereignissen
  • Evolutionäre Algorithmen und Monte-Carlo Suchverfahren
  • Globale Optimierungsmethoden, (Stochastic) Gradient Decent
  • Naive Bayes, Bayes'sche Netze
  • Recommender Systeme
  • Feature Extraction/Selection, Singular Value Decomposition
  • Regression und Regularisierung
  • Reinforcement Lernen
  • Evaluierung, False Positives/Negativs, Kreuzvalidierung
Literatur:
  • Christopher M. Bishop: Pattern Recognition and Machine Learning Information Science and Statistics, Springer, 2007.
  • Peter Flach: Machine Learning - The Art and Science of Algorithms that Make Sense of Data, Cambridge University Press, 2012
  • Tom Mitchell: Machine Learning, McGraw Hill, 1997.
  • Pat Langley: Elements of Machine Learning, Morgan Kaufmann, 1995.
  • Shai Shalev-Shwartz, Shai Ben-David. Understanding Machine Learning. Cambridge University Press, 2014.
  • Richard Sutton, Andrew Barto: Reinforcement Learning, The Mit Press, 1998.
Arbeitsformen / Hilfsmittel:Seminaristische Vorlesung mit Praktika
Vorlesungsskript
Modulverantwortung:Arnim Malcherek
Freigabe ab:WS 2016/2017
Fachliche Kompetenzen:
  • Formale, algorithmische, mathematische Kompetenzen: mittel
  • Analyse-, Design- und Realisierungskompetenzen: mittel
  • Technologische Kompetenzen: mittel
  • Befähigung zum Wissenschaftlichen Arbeiten: schwach
Überfachliche Kompetenzen:
  • Fachübergreifende Sachkompetenzen: Technische und naturwissenschaftliche Grundkompetenz

[Fachbereich Informatik] [Hochschule Darmstadt]
© 2008 - 2022 FBI OBS Team. Alle Rechte vorbehalten.