Titel Englisch: Machine learning
Bereich: Ma Vertiefungsbereich
Wahlpflichtmodul
Schwerpunkt: Stochastik
ESSEN
Studierbar ab Fachsemester: M2
ECTS-Punkte: 9,
Prüfungsform: Die ECTS-Punkte werden auf Grund einer mündlichen oder schriftlichen Prüfung innerhalb von drei der Veranstaltung folgenden Monaten vergeben. Innerhalb von sechs Monaten nach der Prüfung besteht Möglichkeit zur Nachprüfung. Die Prüfungsleistung wird benotet. Die Lehrenden werden die Modalitäten der Prüfung zu Beginn der Veranstaltungen festlegen.
Sprache: In der Regel Deutsch.
Verantwortlich: Angebotsturnus:
Prof. Dr. Denis Belomestny.
Sommersemester, unregelmäßig
Maschinelles Lernen
Vorlesung/ 4 SWS und Übung/ 2 SWS
Inhalt
- Lineare Modelle und k-nearest neighbor und das Problem von bias und variance
- Stützvektormethode (SVM) und strukturelle Risikominimierung mit verschiedenen Algorithmen zur Lösung des Optimierungsproblems
- Klassifikation von Texten
- Entscheidungsbäume
- Merkmalsselektion
- Graphische Modelle
- K-Means Clustering
- Tag Clustering
Lernziele
Den Studierenden sollen einige repräsentativen Modelle, Methoden und Algorithmen aus dem Themenbereich des maschinellen Lernens vermittelt werden. Dabei lernen sie zusätzlich Anwendungen in Modellierung, Vorhersage und Steuerung von multimodalen Informationssystemen kennen.
Die vorlesungsbegleitenden Übungen bilden einen unverzichtbaren Bestandteil des Moduls. Durch selbständige Bearbeitung von Hausaufgaben sollen die Lehrinhalte eingeübt und vertieft werden. Die Präsentation und Diskussion der Ergebnisse soll in den Übungsstunden erlernt werden.
Literatur
- Trevor Hastie, Robert Tibshirani, and Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer series in statistics. Springer, New York, USA, 2001
- Machine Learning, Tom Mitchell, McGraw Hill, 1997.
Weitere Literatur wird in den Veranstaltungen bekanntgegeben.
Arbeitsaufwand
270 Stunden (davon 90 Stunden Präsenz)
Zulassungsvoraussetzungen
Mathematische Statistik