Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Der Schwerpunkt dieser Vorlesung liegt auf den algorithmischen und theoretischen Aspekten des statistischen maschinellen Lernens. Wir werden viele der Standardalgorithmen behandeln, die allgemeinen Prinzipien für die Entwicklung guter Algorithmen für maschinelles Lernen kennenlernen und ihre theoretischen und statistischen Eigenschaften analysieren. Die folgenden Themen werden behandelt: Überwachtes maschinelles Lernen, z. B. lineare Methoden; Regularisierung; SVMs; Kernelmethoden. Bayessche Entscheidungstheorie, Verlustfunktionen, Probleme des unüberwachten Lernens, z.B. Dimensionsreduktion, Kernel-PCA, multidimensionale Skalierung, vielfältige Methoden; spektrales Clustering und spektrale Graphentheorie. Einführung in die statistische Lerntheorie: No free lunch theorem; Verallgemeinerungsgrenzen; VC-Dimension; universelle Konsistenz; Bewertung und Vergleich von maschinellen Lernalgorithmen. Fortgeschrittene Themen des statistischen Lernens, z. B. Vervollständigung von Matrizen mit niedrigem Rang, komprimiertes Erfassen, Ranking, Online-Lernen.

ML- 4201 Die Studierenden lernen die wichtigsten Klassen statistischer Algorithmen des maschinellen Lernens kennen. Sie verstehen, warum bestimmte Algorithmen gut funktionieren und andere nicht. Sie können die Ergebnisse verschiedener Lernalgorithmen bewerten und vergleichen. Sie können Anwendungen des maschinellen Lernens modellieren und bekommen ein Gefühl für häufige Fallstricke. Sie können maschinelle Lernalgorithmen aus theoretischer Sicht beurteilen.

The literature for this lecture will be provided at the beginning of the semester. / Students need to know the contents of the basic math classes, in particular
linear algebra and probability theory.