Suche

Machine Learning / Maschinelles Lernen


Dozent(in): Prof. Dr. Martin E. Müller
Termin: Mi. 12:30 - 14:00
Gebäude/Raum: Raum 207, Alte Uni


Inhalt der Lehrveranstaltung:

This lecture introduces several classical and some recent theories, mehtods and related issues in machine learning. The course will include:

  • Foundations and theory of ML and Learnability
  • Relational Learning (ILP/RST)
  • Statistical Learning (SVM)
  • Neural Learning (MLPs, SOMs, etc)
  • Probabilistic Learning (NBC, BN)
  • Intersections, Hybrids, new Approaches
In dieser Vorlesung werden klassische und auch neuere Verfahren des Maschinellen Lernens vorgestellt. Diese umfassen nach einer theoretischen Einfuehrung in die Terminologie und die Thematik der Lernbarkeit: relationale/logische Verfahren (ILP, RST), statistische Verfahren (SVM), neuronale Techniken (MLP, SOM), probabilisitische Verfahren (Bayes) sowie deren Schnittpunkte, hybride Ansaetze und neuere Entwicklungen. Beim Bestehen einer abschliessenden Klausur erhalten Sie 4 Leistungspunkte; einzubringen in den Bereichen Multimedia (BSc MM: Teilbereich "Grundlagen") oder in allg. Informatik ("Sonstiges").

Lektüre für Interessierte vorab:

  • Tom Mitchell, Machine Learning, McGraw/Hill, 1997


Links:


weitere Informationen zu der Lehrveranstaltung:

empfohlenes Studiensemester der Lehrveranstaltung: ab dem 6. Semester
Fachrichtung Lehrveranstaltung: Multimedia-Methoden
Dauer der Lehrveranstaltung: 2 SWS
Typ der Lehrveranstaltung: V - Vorlesung
Leistungspunkte: 4
Semester: jedes WS