Nummer INF3151 |
Titel Grundlagen des maschinellen Lernens |
Art der Vorlesung Pflicht |
---|---|---|
ECTS | 6 | |
Arbeitsaufwand - Kontaktzeit - Selbststudium |
Arbeitsaufwand:
180 h Kontaktzeit:
60 h / 4 SWS Selbststudium:
120 h |
|
Veranstaltungsdauer | 1 Semester | |
Häufigkeit des Angebots | Im Sommersemester | |
Unterrichtssprache | Englisch | |
Prüfungsform | Klausur |
|
Lehrform(en) | Vorlesung, Übung | |
Inhalt | In diesem Modul sollen grundlegende Prinzipien und einfache Algorithmen aus dem Bereich des statistischen Lernens vermittelt werden. Themen sind u.a.: Verschiedene Lernprobleme und Ansätze zur Lösung, Grundprinzipien des statistischen Lernens (Satz von Bayes, Entscheidungstheorie, grundlegende Probleme, Evaluation von Ergebnissen), einfache Baseline Modelle aus dem Bereich des überwachten und unüberwachten Lernens (Dichteschätzung, Klassifizierung, Clustering), ML im gesellschaftlichen Kontext. |
|
Qualifikationsziele | Die Studierenden kennen grundlegende Prinzipien und Verfahren des maschinellen Lernens und wissen um deren prinzipiellen Grenzen. In den Übungen haben sie gelernt, kleine praktische Probleme mit den behandelten Verfahren zu lösen und entsprechende Algorithmen praktisch zu implementieren. |
|
Vergabe von Leistungspunkten/Benotung |
Lehrform
Status
SWS
LP
Prüfungsform
Prüfungsdauer
Benotung
Berechnung
Modulnote (%) |
|
Teilnahmevoraussetzungen |
INFM1110 Praktische Informatik 1: Deklarative Programmierung, INFM1120 Praktische Informatik 2: Imperative und objektorientierte Programmierung |
|
Dozent/in | Martius | |
Literatur / Sonstiges | The interested students should have passed the lectures INFM1110 or INFM1120 before taking this lecture. The lecture will follow the book 'Introduction to Machine Learning', 4th Edition, Ethem Alpaydin, MIT Press. It will cover the Chapters 1-12 and 20. |
|
Zuletzt angeboten | Sommersemester 2022 | |
Geplant für | Sommersemester 2024 | |
Zugeordnete Studienbereiche | BIOINFM2510, INFM, MDZINFM2510, MEINFM3210 |