© 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.

  • Termine und Raum

    Blockveranstaltung

    ACHTUNG :  VERSCHOBENER TERMIN + EIN ZUSÄTZLICHER TERMIN

    Mo. 23.09.2019 bis Fr. 29.09.2019 in  Raum KP/TP 304

    Mo. 30.09.2019 bis Fr. 06.10.2019 in  Raum KP/TP 304

    DIE VORLESUNG WIRD AUF VIDEO AUFGEZEICHNET UND IM LEARNWEB ZUR VERFÜGUNG GESTELLT

    Vorbesprechung: Fr. 12.07.2019 um 12:30 Uhr 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
    • Anwendung des maschinellen Lernens mit Python auf Beispiele aus verschiedenen Wissenschaftsbereichen

    Literatur

    Die Vorlesung basiert hauptsächlich auf  den frei verfügbaren 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

     Weiterhin

    • 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
    • R. S. Sutton and A. G. Barto, Reinforcement Learning: An Introduction

    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)

  • Materialien zur Vorlesung

    Materialien zur Vorlesung

    Die Materialien zur Vorlesung stehen im Learnwerb zur Verfügung

    Lernwebseite der Vorlesung