Modul Maschinelles Lernen, Informatik (Master) (SPO 6)
In diesem Modul werden Methoden des Maschinellen Lernens behandelt. Studierende erlernen, sich Methoden des Maschinellen Lernens anzueignen und bzgl. ihrer Eignung für konkrete Aufgabenstellungen zu evaluieren.
Die vermittelten Inhalte und Kompetenzen des Moduls werden im Modul Künstliche Intelligenz als bekannt bzw. vorhanden vorausgesetzt.
Prof. Dr. Dennis Janka
Maschinelles Lernen, Vorlesungsteil Prof. Link
Klassische Methoden des überwachten Lernens, eine Auswahl aus
- Perzeptrons
- Lineare Maschinen
- Mehrschicht-Perzeptrons
- k-Nächste-Nachbar-Klassifikatoren
- Bayes Entscheidungstheorie (Beziehung zu neuronalen Netzen)
Deep Learning, eine Auswahl aus
- Faltungsnetze (CNNs)
- Rekurrente Netze (RNNs)
- Generative Neuronale Netze (GANs)
Reinforcement Learning
Maschinelles Lernen, Vorlesungsteil Prof. Laubenheimer
Vorbereitung:
- Einordnung der Begriffe Künstliche Intelligenz, Maschinelles Lernen, Mustererkennung, Data Mining, Big Data etc.
- Distanzen, Metriken und Ähnlichkeiten (Minkowski, Cosinus-Ähnlichkeit, Mahalanobis, Dynamic Time Warping etc.)
- Einführung in die Datenvorverarbeitung, eine ausführliche Behandlung des Themas findet im Modul Data Science statt.
Transformationen
- PCA, nichlineare PCA, in diesen Zusammenhang: Kernel-Trick und Support Vektor Maschinen
- Matrixfaktorisierung, z.B. Latente Faktoren, Faktorisierung für Recommender Engines
Methoden des unüberwachten Lernens, eine Auswahl aus
- Cluster-Algorithmen: K-Means, PAM, CLARA, CLARANS, DBSCAN, C-Means, EM, SOM
- Assoziationsanalyse, z.B. Apriori, FP-Growth
- Graphbasierte Ansätze zur Bildung von Clustern, z.B. Normalized Cut
- Ranking Algorithmen, z.B. Google Page Rank
- Folien und Tafelanschrieb
- Jürgen Schürmann, "Pattern classification: a unified view of statistical and neural approaches", New York [u.a.], Wiley & Sons, 1996
- Richard O. Duda ; Peter E. Hart ; David G. Stork, "Pattern classification", 2. ed. New York, Weinheim [u.a.], Wiley, 2001
- Sergios Theodoridis, Konstantinos Koutroumbas, "Pattern recognition", 3. ed. Amsterdam, Heidelberg[u.a.], Elsevier Academic Press, 2006
- Bernhard Schölkopf ; Alexander J. Smola, "Learning with Kernels : support vector machines, regularization, optimization, and beyond", Cambridge, Mass. [u.a.], MIT Press, 2002
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning". MIT Press, 2016.
Prof. Dr. Norbert Link
- Aufsetzen einer Python-Umgebung und Python-Tutorial
- Distanzbasierte Klassifikations- und Clusteralgorithmen
- Transformationen (z.B. PCA)
- Perzeptron, Neuronales Netz, Backpropagation
Die Übung wird mit Python durchgeführt, wahlweise auf dem eigenen Laptop oder auf PCs des Labors für Maschinelles Lernen.