© Fotolia / maciek905

Einführung in das maschinelle Lernen

Maschinelles Lernen und künstliche Intelligenz spielen mittlerweile in vielen Wissenschaftsbereichen von der Astronomie bis zur Psychatrie eine Rolle. Die interdisziplinär angelegte Vorlesung soll als erste Einführung in die Methoden des maschinellen Lernens und ihrer Anwendung in der Wissenschaft dienen.

Learnwebseite des Kurses

  • Termine und Raum

    Blockveranstaltung

    19.09. - 23.09.2022

    in  Raum KP/TP 304

     

    Zeitplan Mo- Fr
    9.15 - 10:45 Vorlesung
    10:45 - 11:15 Pause
    11:15 - 12:00 Vorlesung
    12:00 - 12:15 Pause
    12:15-13:00 Vorlesung

     

  • Inhalt, Literatur und Voraussetzungen

    Inhalt der Vorlesung

    • Einführung in das maschinelle Lernen -- Allegemeine Konzepte, Begriffe, Herausforderungen und Probleme
    • Regression, Naive-Bayes, Support Vector Machines, Principal Component analysis, Clustering, ...
    • Neuronale Netze und Deep Learning
    • Reinforcement learning
    • Anwendung des maschinellen Lernens mit Python auf Beispiele aus verschiedenen Wissenschaftsbereichen

     

    Literatur

    Die Vorlesung basiert hauptsächlich auf  den folgenden Quellen (Keine Panik, auch wenn in der ersten Literaturangabe das Wort Physik auftacht )

    • P. Mehta et. al., A high-bias, low-variance introduction to Machine Learning for physicists, arXiv:1803.08823 (2019)
    • M. Nielsen, Neural Networks and Deep Learning, http: //neuralnetworksanddeeplearning.com
    • Christopher M. Bishop, Pattern Recognition and Machine Learning
    • R. S. Sutton and A. G. Barto, Reinforcement Learning: An Introduction
    • A. Burkov, The Hundred-Page Machine Learning Book
    • A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems

    In der Vorlesung wird noch eine umfangreichere Übersicht über die Literaur gegeben.

     

    Voraussetzungen

    Zum Verständnis der Algorithmen

    • Etwas lineare Algebra
    • Ableitungen in einer und mehreren Dimensionen

    Zur Umsetzung der Methoden

    • Elementare Programmierkentnisse in Python

    Bei der Umsetzung werden folgende Bibliotheken verwendet (Für alle Betriebssysteme verfügbar)

    Alternativ (alles online, d.h. nichts muss installiert werden + große Rechnerressourcen)