Stage-oe-small.jpg

Lehre/Vorlesung Maschinelles Lernen 1 - Grundverfahren: Unterschied zwischen den Versionen

Aus Aifbportal
Wechseln zu:Navigation, Suche
 
(6 dazwischenliegende Versionen von 3 Benutzern werden nicht angezeigt)
Zeile 5: Zeile 5:
 
|Forschungsgruppe=Angewandte Technisch-Kognitive Systeme
 
|Forschungsgruppe=Angewandte Technisch-Kognitive Systeme
 
|Dozent=J. Marius Zöllner;
 
|Dozent=J. Marius Zöllner;
|Übungsleiter=Karl Kurzer; Mohammd Karam Daaboul
+
|Übungsleiter=Nikolai Polley; Marcus Fechner; Mohammd Karam Daaboul
 
|Fach=Informatik; Maschinelles Lernen; Künstliche Intelligenz
 
|Fach=Informatik; Maschinelles Lernen; Künstliche Intelligenz
 
|Erfolgskontrolle=Klausur
 
|Erfolgskontrolle=Klausur
Zeile 11: Zeile 11:
 
|LinkVVZ=https://campus.kit.edu/
 
|LinkVVZ=https://campus.kit.edu/
 
|LinkStudierendenportal=https://studium.kit.edu
 
|LinkStudierendenportal=https://studium.kit.edu
|Inhalt=Das Themenfeld Wissensakquisition und Maschinelles Lernen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. Der Wissenserwerb kann dabei auf unterschiedliche Weise erfolgen. So kann ein System Nutzen aus bereits gemachten Erfahrungen ziehen, es kann trainiert werden, oder es zieht Schlüsse aus umfangreichem Hintergrundwissen.
+
|Inhalt=Dieser Kurs führt die Studierenden in den sich schnell entwickelnden Bereich des maschinellen Lernens ein, indem er eine solide Grundlage vermittelt, welche die wichtigsten Konzepte und Techniken in diesem Gebiet umfasst. Die Studierenden werden sich mit verschiedenen Methoden des Supervised, Unsupervised und Reinforcement Learning befassen, sowie mit den dazugehörigen Modelltypen, die von einfachen linearen Klassifikatoren bis hin zu komplexeren Modellen, wie Deep Neural Networks reichen. Zu den Themen gehören die allgemeine Lerntheorie, Support Vector Machines, Decision Trees, Neural Networks, Convolutional Neural Networks, Recurrent Neural Networks, Unsupervised Learning, Reinforcement Learning und Bayesian Learning.
  
Die Vorlesung behandelt sowohl symbolische Lernverfahren, wie induktives Lernen (Lernen aus Beispielen, Lernen durch Beobachtung), deduktives Lernen (Erklärungsbasiertes Lernen) und Lernen aus Analogien, als auch subsymbolische Techniken wie Neuronale Netze, Support Vektor-Maschinen und Genetische Algorithmen. Die Vorlesung führt in die Grundprinzipien sowie Grundstrukturen lernender Systeme ein und untersucht die bisher entwickelten Algorithmen. Der Aufbau sowie die Arbeitsweise lernender Systeme wird an einigen Beispielen, insbesondere aus den Gebieten Robotik und Bildverarbeitung, vorgestellt und erläutert.
+
 
 +
Der Kurs wird von einer entsprechenden Übung begleitet, in welcher die Studierenden praktische Erfahrung sammeln, indem sie verschiedene Algorithmen des maschinellen Lernens implementieren und experimentieren, was ihnen hilft diese auf reale Problemstellungen anzuwenden.
 +
 
 +
 
 +
Am Ende des Kurses werden die Studierenden eine solide Grundlage im Bereich des maschinellen Lernens erworben haben, die sie in die Lage versetzt, modernste Algorithmen zur Lösung komplexer Probleme anzuwenden, zu Forschungsarbeiten beizutragen und sich in fortgeschrittene Themen auf diesem Gebiet einzuarbeiten.
 +
 
 +
 
 +
<b>Lernziele</b>:
 +
* Studierende erlangen Kenntnis der grundlegenden Methoden im Bereich des Maschinellen Lernens.
 +
* Studierende können Methoden des Maschinellen Lernens einordnen, formal beschreiben und bewerten.
 +
* Die Studierenden können ihr Wissen für die Auswahl geeigneter Modelle und Methoden für ausgewählte Probleme im Bereich des Maschinellen Lernens einsetzen.
 +
 
 +
|Literatur=* Machine Learning - Tom Mitchell
 +
* Deep Learning - Ian Goodfellow, Yoshua Bengio, Aaron Courville
 +
* Pattern Recognition and Machine Learning - Christopher M. Bishop
 +
* Artificial Intelligence: A Modern Approach - Peter Norvig and Stuart J. Russell
 +
* Reinforcement Learning: An Introduction - Richard S. Sutton and Andrew G. Barto
 +
 
 +
 
 +
Weitere (spezifische) Literatur zu einzelnen Themen wird in der Vorlesung angegeben.
 
}}
 
}}

Aktuelle Version vom 17. Mai 2023, 15:23 Uhr

Vorlesung Maschinelles Lernen 1 - Grundverfahren

Details zur Lehrveranstaltung
Dozent(en) J. Marius Zöllner
Übungsleiter Nikolai PolleyMarcus FechnerMohammd Karam Daaboul
Fach (Gebiet) InformatikMaschinelles LernenKünstliche Intelligenz
Leistungspunkte ECTS
Erfolgskontrolle Klausur
Semester WS


Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal


Forschungsgruppe


Inhalt

Dieser Kurs führt die Studierenden in den sich schnell entwickelnden Bereich des maschinellen Lernens ein, indem er eine solide Grundlage vermittelt, welche die wichtigsten Konzepte und Techniken in diesem Gebiet umfasst. Die Studierenden werden sich mit verschiedenen Methoden des Supervised, Unsupervised und Reinforcement Learning befassen, sowie mit den dazugehörigen Modelltypen, die von einfachen linearen Klassifikatoren bis hin zu komplexeren Modellen, wie Deep Neural Networks reichen. Zu den Themen gehören die allgemeine Lerntheorie, Support Vector Machines, Decision Trees, Neural Networks, Convolutional Neural Networks, Recurrent Neural Networks, Unsupervised Learning, Reinforcement Learning und Bayesian Learning.


Der Kurs wird von einer entsprechenden Übung begleitet, in welcher die Studierenden praktische Erfahrung sammeln, indem sie verschiedene Algorithmen des maschinellen Lernens implementieren und experimentieren, was ihnen hilft diese auf reale Problemstellungen anzuwenden.


Am Ende des Kurses werden die Studierenden eine solide Grundlage im Bereich des maschinellen Lernens erworben haben, die sie in die Lage versetzt, modernste Algorithmen zur Lösung komplexer Probleme anzuwenden, zu Forschungsarbeiten beizutragen und sich in fortgeschrittene Themen auf diesem Gebiet einzuarbeiten.


Lernziele:

  • Studierende erlangen Kenntnis der grundlegenden Methoden im Bereich des Maschinellen Lernens.
  • Studierende können Methoden des Maschinellen Lernens einordnen, formal beschreiben und bewerten.
  • Die Studierenden können ihr Wissen für die Auswahl geeigneter Modelle und Methoden für ausgewählte Probleme im Bereich des Maschinellen Lernens einsetzen.


Literatur
  • Machine Learning - Tom Mitchell
  • Deep Learning - Ian Goodfellow, Yoshua Bengio, Aaron Courville
  • Pattern Recognition and Machine Learning - Christopher M. Bishop
  • Artificial Intelligence: A Modern Approach - Peter Norvig and Stuart J. Russell
  • Reinforcement Learning: An Introduction - Richard S. Sutton and Andrew G. Barto


Weitere (spezifische) Literatur zu einzelnen Themen wird in der Vorlesung angegeben.