• Prof. Dr. Seyed Eghbal Ghobadi

• Prof. Dr. Franz Cemic
• Prof. Dr. Andreas Peter Dominik
• Prof. Dr. Seyed Eghbal Ghobadi
• Dr. habil. Frank Kammer

Keine

Hough-Transformationen und RANSAC, statistische Entscheidungstheorie, Klassifikatoren und Lernstrategien, Support-Vector-Machines, neuronale Netze (Deep Learning), Sequenzanalyse.

• Motivation und Anwendungen, Einführung in die benutzte Software-Infrastruktur
• Statistische Methodik für das Maschinelle Lernen
• Hough-Transformationen und RANSAC
• Vertiefung der statistische Entscheidungstheorie
• Mixtur Modelle
• Expectation Maximization
• Methoden zur Dimensionalitätsreduktion (PCA, LDA, t-SNE)
• Graphical models
• Grundlagen der Bayes’schen Netze
• Hidden Markov models
• Variational
• Kernel Methoden zur Klassification und Regression (SVM, Gaußprozesse)

Fachkompetenzen

• Die Studierenden können aus theoretischen Grundlagen zur Anwendung passende Algorithmen auswählen und entwickeln.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden sind in der Lage, praktische Probleme des statistischen maschinellen Lernens zu lösen, wobei sie fortgeschrittene Algorithmen und ihre vertieften Kenntnisse der theoretischen Grundlagen anwenden.
• Sie können für unbekannte Aufgaben des maschinellen Lernens Software Lösungen weitestgehend selbstgesteuert realisieren.

Sozialkompetenzen

• Die Studierenden können ihre kommunikativen Kompetenzen erweitern, um bei inhaltlichen Problemen mit dem Stoff klärende Fragen zu stellen.

Selbstkompetenzen

• Die Studierenden können sich selbstständig neues Wissen und Fähigkeiten zu aktuellen Neuronalen Netzen aneignen.
• Sie können maschinelles Lernen in Bezug auf gesellschaftliche Erwartungen und Folgen kritisch reflektieren.
• Sie können ihr berufliches Handeln weiterentwickeln.
• Sie können sich eigenverantwortlich und selbständig die Grenzen und Möglichkeiten von maschinellem Lernen für eine Anwendung erschließen.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Seminaristischer Unterricht 4 SWS

• Informatik (M.Sc. 2022)
• Ingenieur-Informatik (M.Sc. 2022)

Ja

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung: Hausübungen (Anzahl der Hausübungen wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Prüfungsleistung: Klausur

• Vorlesungsfolien
• Bishop, C. M.: Pattern Recognition and Machine Learning. Springer
• Sugiyama, M.: Introduction to Statistical Machine Learning. Springer.