Website
Modulhandbuch

Modul CS5450-KP04, CS5450

Maschinelles Lernen (MaschLern)

Dauer:
1 Semester
Angebotsturnus:
Jedes Wintersemester
Leistungspunkte:
4
Studiengang, Fachgebiet und Fachsemester:
  • Master Medieninformatik ab 2020 in Planung (Wahlpflicht), Informatik, Beliebiges Fachsemester
  • Master Medizinische Informatik ab 2019 in Planung (Wahlpflicht), Medical Data Science / Künstliche Intelligenz, 1. oder 2. Fachsemester
  • Master Hörakustik und Audiologische Technik (Wahlpflicht), Informatik, 1. Fachsemester
  • Master MML ab 2016 (Wahlpflicht), Informatik, 3. Fachsemester
  • Master MIW ab 2014 (Wahlpflicht), Informatik/Elektrotechnik, Beliebiges Fachsemester
  • Master MIW vor 2014 (Wahlpflicht), Mathematik, 1. oder 2. Fachsemester
  • Master MIW vor 2014 (Vertiefung), Bildgebende Systeme, Signal- und Bildverarbeitung, 1. oder 2. Fachsemester
  • Master Medizinische Informatik (Wahlpflicht), Informatik, 1. oder 2. Fachsemester
  • Master MML (Wahl), Informatik, Beliebiges Fachsemester
  • Master Informatik vor 2014 (Wahlpflicht), Anwendungsfach Robotik und Automation, 3. Fachsemester
  • Master Informatik vor 2014 (Wahlpflicht), Anwendungsfach Bioinformatik, 3. Fachsemester
  • Master MIW ab 2020 (Wahlpflicht), Informatik/Elektrotechnik, Beliebiges Fachsemester
Lehrveranstaltungen:
  • Maschinelles Lernen (Übung, 1 SWS)
  • Maschinelles Lernen (Vorlesung, 2 SWS)
Workload:
  • 45 Stunden Präsenzstudium
  • 55 Stunden Selbststudium
  • 20 Stunden Prüfungsvorbereitung
Lehrinhalte:
  • Lernen von Repräsentationen
  • Statistische Lerntheorie
  • VC-Dimension und Support-Vektor-Maschinen
  • Boosting
  • Deep learning
  • Grenzen der Induktion und Gewichtung der Daten
Qualifikationsziele/Kompetenzen:
  • Studierende können unterschiedliche Lernprobleme erläutern.
  • Sie können unterschiedliche Verfahren des maschinellen Lernens erklären und beispielhaft anwenden.
  • Sie können für eine gegeben Problemstellung ein geeignetes Lernverfahren auswählen und testen.
  • Sie können die Grenzen der automatischen Datenanalyse erkennen und erläutern .
Vergabe von Leistungspunkten und Benotung durch:
  • Übungsaufgaben
  • Mündliche Prüfung
Modulverantwortlicher:
Lehrende:
Literatur:
  • Chris Bishop: Pattern Recognition and Machine Learning - Springer ISBN 0-387-31073-8
  • Vladimir Vapnik: Statistical Learning Theory - Wiley-Interscience, ISBN 0471030031
Sprache:
  • Englisch, außer bei nur deutschsprachigen Teilnehmern
Bemerkungen:

Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vorleistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein.

Letzte Änderung:
24.4.2019