Dozent:
Prof. Dr. Jochen J. Steil
Organisator:
Institut für Robotik und Prozessinformatik
Mühlenpfordtstraße 23 Telefon: 391 - 7451
Termine:
Di. 8:00 - 9:30 Vorlesung
Fr. 8:00 - 9:30 Übung
Achtung: 1. Vorlesungtermin/Beginn verschoben auf Fr. 06.04., 8:00 - 9:30 Hörsaal PK 4.1
LV-Nummer:
4215052
LV-Nummer (Übung):
4215053
Modulnummer:
Leistungspunkte:
Zielgruppe:
Das Modul ist komplementär, aber vorbereitend nützlich zum
Mastermodul Mustererkennung. Teilnahme wird nicht vor dem 4.
Semester empfohlen.
Voraussetzungen:
Das Modul setzt Kenntnisse in Mathematik im Umfang der im
Informatikstudium üblichen einführenden Veranstaltungen
voraus. Grundkenntnisse der Statistik, wie sie z. B. in den
Modulen "Einführung in die Stochastik für Informatiker" bzw.
"Statistische Verfahren für Informatiker" erworben werden,
erleichtern das Verständnis.
Inhalt:
Grundlegende Prinzipien und Theorien des Maschinellen Lernens und die zugrundeliegenden mathematischen und statistischen Verfahren werden eingeführt sowie Lernprobleme formalisiert. Wichtige grundlegende Begriffe Konzepte und Verfahren werden behandelt, insbesondere zur Regression, darunter etwa:
- Modellauswahl, Bias vs. Parameteroptimierung
- Training, Test und Validierung
- Generalisierung, Overfitting, Regularisierung
- Lineare Regression, Generalisierte Linear Modelle
- Schätzer, Erwartungstreue, Varianz
- Konzeptlernen, Entscheidungsbäume
- Lazy Learning
- Gaussian Mixtures, Gaussian Mixture Regression
- Unified Regression Models
Literatur:
Bishop, Pattern Recognition & Machine Learning, Springer, 2006
Mitchell, Machine Learning, McGraw-Hill1997
Vorlesungsskripte, weiteres wird in der Vorlesung nach Bedarf bekanntgegeben
Unterlagen:
Alle Unterlagen zur Vorlesung finden Sie nur noch im Stud.IP.
Bitte melden Sie sich im Stud.IP mit dem in der Vorlesung und Übung genannten Passwort an.
Die Anmeldung ist bis zum 10.04. allgemein freigeschaltet, dann nur noch mit Passwort möglich.
Sprechstunden:
Prof. Dr. J. Steil
Di. 13:00 - 14:00 Uhr
