Carlos Cotrini Jimenez: Katalogdaten im Herbstsemester 2022

NameHerr Dr. Carlos Cotrini Jimenez
Adresse
Lehre D-INFK
ETH Zürich, CAB H 32.2
Universitätstrasse 6
8092 Zürich
SWITZERLAND
E-Mailccarlos@inf.ethz.ch
URLhttps://inf.ethz.ch/personal/ccarlos
DepartementInformatik
BeziehungDozent

NummerTitelECTSUmfangDozierende
252-0535-00LAdvanced Machine Learning Information 10 KP3V + 2U + 4AJ. M. Buhmann, C. Cotrini Jimenez
KurzbeschreibungMachine learning algorithms provide analytical methods to search data sets for characteristic patterns. Typical tasks include the classification of data, function fitting and clustering, with applications in image and speech analysis, bioinformatics and exploratory data analysis. This course is accompanied by practical machine learning projects.
LernzielStudents will be familiarized with advanced concepts and algorithms for supervised and unsupervised learning; reinforce the statistics knowledge which is indispensible to solve modeling problems under uncertainty. Key concepts are the generalization ability of algorithms and systematic approaches to modeling and regularization. Machine learning projects will provide an opportunity to test the machine learning algorithms on real world data.
InhaltThe theory of fundamental machine learning concepts is presented in the lecture, and illustrated with relevant applications. Students can deepen their understanding by solving both pen-and-paper and programming exercises, where they implement and apply famous algorithms to real-world data.

Topics covered in the lecture include:

Fundamentals:
What is data?
Bayesian Learning
Computational learning theory

Supervised learning:
Ensembles: Bagging and Boosting
Max Margin methods
Neural networks

Unsupservised learning:
Dimensionality reduction techniques
Clustering
Mixture Models
Non-parametric density estimation
Learning Dynamical Systems
SkriptNo lecture notes, but slides will be made available on the course webpage.
LiteraturC. Bishop. Pattern Recognition and Machine Learning. Springer 2007.

R. Duda, P. Hart, and D. Stork. Pattern Classification. John Wiley &
Sons, second edition, 2001.

T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical
Learning: Data Mining, Inference and Prediction. Springer, 2001.

L. Wasserman. All of Statistics: A Concise Course in Statistical
Inference. Springer, 2004.
Voraussetzungen / BesonderesThe course requires solid basic knowledge in analysis, statistics and numerical methods for CSE as well as practical programming experience for solving assignments.
Students should have followed at least "Introduction to Machine Learning" or an equivalent course offered by another institution.

PhD students are required to obtain a passing grade in the course (4.0 or higher based on project and exam) to gain credit points.
252-0845-00LInformatik I Information 5 KP2V + 2UC. Cotrini Jimenez, M. Fischer
KurzbeschreibungDie Vorlesung vermittelt eine Einführung in die Programmierung, mit Schwerpunkt auf den grundlegenden Programmierkonzepten.
LernzielVerständnis der grundlegenden Programmierkonzepte. Fähigkeit, einfache Programme schreiben und lesen zu können. Fähigkeit, andere (konzeptionell ähnliche) Programmiersprachen rasch erlernen zu können. In dem Fach "Informatik I" wird die Kompetenz Modellierung gelehrt und angewandt und die Kompetenz Programmieren gelehrt, angewandt und geprüft.
InhaltVariablen, Typen, Kontrollanweisungen, Funktionen, Scoping, Rekursion, objektorientierte Programmierung. Als Lernsprache wird Python eingesetzt.
SkriptDie Folien und ein Skript werden auf der Vorlesungswebseite zum Herunterladen bereitgestellt.
LiteraturLearn to Code by Solving Problems
A Python Programming Primer
Daniel Zingaro

Python Crash Course
A Hands-On, Project-Based Introduction to Programming
Eric Matthes
KompetenzenKompetenzen
Fachspezifische KompetenzenKonzepte und Theoriengeprüft
Methodenspezifische KompetenzenAnalytische Kompetenzengeprüft
Problemlösunggeprüft
Persönliche KompetenzenKreatives Denkengeprüft
Kritisches Denkengeprüft
252-0847-00LInformatik Information 5 KP2V + 2UC. Cotrini Jimenez, F. Friedrich Wicker
KurzbeschreibungDie Vorlesung bietet eine Einführung in das Programmieren mit einem Fokus auf systematischem algorithmischem Problemlösen. Lehrsprache ist C++. Es wird keine Programmiererfahrung vorausgesetzt.
LernzielPrimäres Lernziel der Vorlesung ist die Befähigung zum Programmieren mit C++. Studenten beherrschen nach erfolgreichem Abschluss der Vorlesung die Mechanismen zum Erstellen eines Programms, sie kennen die fundamentalen Kontrollstrukturen, Datenstrukturen und verstehen, wie man ein algorithmisches Problem in ein Programm abbildet. Sie haben eine Vorstellung davon, was "hinter den Kulissen" passiert, wenn ein Programm übersetzt und ausgeführt wird.
Sekundäre Lernziele der Vorlesung sind das Computer-basierte, algorithmische Denken, Verständnis der Möglichkeiten und der Grenzen der Programmierung und die Vermittlung der Denkart eines Computerwissenschaftlers.
InhaltWir behandeln fundamentale Datentypen, Ausdrücke und Anweisungen, (Grenzen der) Computerarithmetik, Kontrollanweisungen, Funktionen, Felder, zusammengesetze Strukturen und Zeiger. Im Teil zur Objektorientierung werden Klassen, Vererbung und Polymorhpie behandelt, es werden exemplarisch einfache dynamische Datentypen eingeführt.
Die Konzepte der Vorlesung werden jeweils durch Algorithmen und Anwendungen motiviert und illustriert.
SkriptEin Skript in englischer Sprache wird semesterbegleitend herausgegeben. Das Skript und die Folien werden auf der Vorlesungshomepage zum Herunterladen bereitgestellt. Übungen werden online gelöst und abgegeben.
LiteraturBjarne Stroustrup: Einführung in die Programmierung mit C++, Pearson Studium, 2010
Stephen Prata: C++ Primer Plus, Sixth Edition, Addison Wesley, 2012
Andrew Koenig and Barbara E. Moo: Accelerated C++, Addison-Wesley, 2000.