Maschinelles Lernen 2 - Fortgeschrittene Verfahren

Inhalt

Das Themenfeld Maschinelle Intelligenz und speziell Maschinelles Lernen unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben.

Die Vorlesung behandelt erweiterte und modernste Methoden des Maschinellen Lernens wie semi-überwachtes und aktives Lernen, tiefe Neuronale Netze (deep learning, CNNs, GANs, Diffusion Modelle, Transformer, Adversarial Attacks) und hierarchische Ansätze z.B. beim Reinforcement Learning. Ein weiterer Schwerpunkt liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in realen Systemen.

Die Vorlesung führt in die neusten Grundprinzipien sowie erweiterte Grundstrukturen ein und erläutert bisher entwickelte Algorithmen. Der Aufbau sowie die Arbeitsweise der Verfahren und Methoden werden anhand einiger Anwendungsszenarien, insbesondere aus dem Gebiet technischer (teil-)autonomer Systeme (Fahrzeuge, Robotik, Neurorobotik, Bildverarbeitung etc.) vorgestellt und erläutert.

Lernziele:

  • Studierende verstehen erweiterte Konzepte des Maschinellen Lernens sowie ihre Anwendungsmöglichkeit.
  • Studierende können Methoden des Maschinellen Lernens einordnen, formal beschreiben und bewerten.
  • Im Einzelnen können Methoden des Maschinellen Lernens in komplexe Entscheidungs- und Inferenzsysteme eingebettet und angewendet werden.
  • Die Studierenden können ihr Wissen zur Auswahl geeigneter Modelle und Methoden des Maschinellen Lernens für vorliegende Probleme im Bereich der Maschinellen Intelligenz einsetzen.

Empfehlungen:

Der Besuch der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist sehr hilfreich beim Verständnis dieser Vorlesung.

VortragsspracheDeutsch
Literaturhinweise

Die Foliensätze sind als PDF verfügbar

Weiterführende Literatur

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

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