Inhalt:
Gegenstand der Vorlesung ist die Statistik- und Algorithmen-basierte Theorie des Maschinellen Lernens aus zufälligen Beispielen. Wir befassen uns mit der Bestimmung der Informations- und der Berechnungskomplexität von Lernproblemen. Im ersten Teil der Vorlesung behandeln wir die grundlegenden Begriffe und Resultate der Theorie des maschinellen Lernens. Im zweiten Teil der Vorlesung beschäftigen wir uns mit verschiedenen Ansätzen zum Design von maschinellen Lernalgorithmen (wie zum Beispiel Boosting, stochastischer Gradientenabstieg, kernbasierte Verfahren, Entscheidungsbäume, Nearest Neighbor).
Lernziele:
Die Studierenden werden mit mathematischen Modellen für das maschinelle Lernen vertrautgemacht. Sie erwerben die Fähigkeit, Lernalgorithmen zu beurteilen und zu vergleichen anhand des Grades, in welchem diese (exakt beschriebene) Erfolgskriterien erreichen. Sie erwerben Techniken sowohl zum Design effizienter Lernalgorithmen als zum Nachweis der inhärenten Härte eines Problems. Nach dem erfolgreichen Abschluss des Moduls
- kennen Studierende die wichtigsten Lernmaschinen (wie zum Beispiel Support Vector Machines und verwandte Modelle),
- verstehen Studierende den Unterschied zwischen empirischer und realer Fehlerrate und kennen Techniken zum Umgang mit dem Problem des overfitting der Daten (mit einem zu komplexen Modell),
- können Studierende zwischen uniformer und nicht uniformer Lernbarkeit einer Hypothesenklasse unterscheiden und kennen die dazu passenden Theorien und Lernregeln.
Prüfungsform: mündliche Prüfung
Gegenstand der Vorlesung ist die Statistik- und Algorithmen-basierte Theorie des Maschinellen Lernens aus zufälligen Beispielen. Wir befassen uns mit der Bestimmung der Informations- und der Berechnungskomplexität von Lernproblemen. Im ersten Teil der Vorlesung behandeln wir die grundlegenden Begriffe und Resultate der Theorie des maschinellen Lernens. Im zweiten Teil der Vorlesung beschäftigen wir uns mit verschiedenen Ansätzen zum Design von maschinellen Lernalgorithmen (wie zum Beispiel Boosting, stochastischer Gradientenabstieg, kernbasierte Verfahren, Entscheidungsbäume, Nearest Neighbor).
Lernziele:
Die Studierenden werden mit mathematischen Modellen für das maschinelle Lernen vertrautgemacht. Sie erwerben die Fähigkeit, Lernalgorithmen zu beurteilen und zu vergleichen anhand des Grades, in welchem diese (exakt beschriebene) Erfolgskriterien erreichen. Sie erwerben Techniken sowohl zum Design effizienter Lernalgorithmen als zum Nachweis der inhärenten Härte eines Problems. Nach dem erfolgreichen Abschluss des Moduls
- kennen Studierende die wichtigsten Lernmaschinen (wie zum Beispiel Support Vector Machines und verwandte Modelle),
- verstehen Studierende den Unterschied zwischen empirischer und realer Fehlerrate und kennen Techniken zum Umgang mit dem Problem des overfitting der Daten (mit einem zu komplexen Modell),
- können Studierende zwischen uniformer und nicht uniformer Lernbarkeit einer Hypothesenklasse unterscheiden und kennen die dazu passenden Theorien und Lernregeln.
Prüfungsform: mündliche Prüfung
- Kursleiter/in: Asja Fischer
Semester: ST 2024