252-0535-00L  Machine Learning

SemesterHerbstsemester 2017
DozierendeJ. M. Buhmann
Periodizitätjährlich wiederkehrende Veranstaltung
LehrspracheEnglisch



Lehrveranstaltungen

NummerTitelUmfangDozierende
252-0535-00 VMachine Learning
Vorlesung:
Donnerstag im ML D 28 mit Videoübertragung im ML E 12
Freitag im HG F 1 mit Videoübertragung im HG F 3
3 Std.
Do14:15-15:00ML D 28 »
14:15-15:00ML E 12 »
Fr08:15-10:00HG F 1 »
08:15-10:00HG F 3 »
J. M. Buhmann
252-0535-00 UMachine Learning2 Std.
Mi13:15-15:00CAB G 61 »
15:15-17:00CAB G 61 »
Do15:15-17:00CAB G 51 »
Fr13:15-15:00CAB G 61 »
J. M. Buhmann
252-0535-00 AMachine Learning
Project Work, no fixed presence required.
2 Std.J. M. Buhmann

Katalogdaten

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 the most important 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. A machine learning project 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:

- Bayesian theory of optimal decisions
- Maximum likelihood and Bayesian parameter inference
- Classification with discriminant functions: Perceptrons, Fisher's LDA and support vector machines (SVM)
- Ensemble methods: Bagging and Boosting
- Regression: least squares, ridge and LASSO penalization, non-linear regression and the bias-variance trade-off
- Non parametric density estimation: Parzen windows, nearest nieghbour
- Dimension reduction: principal component analysis (PCA) and beyond
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 at least have followed one previous course offered by the Machine Learning Institute (e.g., CIL or LIS) or an equivalent course offered by another institution.

Leistungskontrolle

Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte8 KP
PrüfendeJ. M. Buhmann
FormSessionsprüfung
PrüfungsspracheEnglisch
RepetitionDie Leistungskontrolle wird nur in der Session nach der Lerneinheit angeboten. Die Repetition ist nur nach erneuter Belegung möglich.
Prüfungsmodusschriftlich 180 Minuten
Zusatzinformation zum Prüfungsmodus70% schriftliche Sessionsprüfung, 30% Projekt;
Das Projekt hat eine Bonuswirkung und muss bei Repetition neu durchgeführt werden. //
70% written session examination, 30% project;
The project counts as a bonus and has to be rerun in case of a repetition.

The practical projects are an integral part (60 hours of work, 2 credits) of the course. Participation is mandatory.
Failure to participate results in a failing grade for the overall examination of Machine Learning (252-0535-00L).
Students who do not participate in the projects are required to de-register from the exam and will otherwise be treated as a no show.
Hilfsmittel schriftlichTwo A4-pages (i.e. one A4-sheet of paper), either handwritten or 11 point minimum font size.
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.

Lernmaterialien

 
HauptlinkInformation
Es werden nur die öffentlichen Lernmaterialien aufgeführt.

Gruppen

Keine Informationen zu Gruppen vorhanden.

Einschränkungen

Keine zusätzlichen Belegungseinschränkungen vorhanden.

Angeboten in

StudiengangBereichTyp
CAS in InformatikFokusfächer und WahlfächerWInformation
Computational Biology and Bioinformatics MasterMethoden der InformatikWInformation
Computational Biology and Bioinformatics MasterData ScienceWInformation
Data Science MasterInformation and LearningWInformation
Doktorat Departement Informationstechnologie und ElektrotechnikLehrangebot Doktorat und PostdoktoratWInformation
Elektrotechnik und Informationstechnologie MasterKernfächerWInformation
Elektrotechnik und Informationstechnologie MasterEmpfohlene FächerWInformation
Informatik DZFachwissenschaftliche Vertiefung mit pädagogischem FokusWInformation
Informatik LehrdiplomFachwiss. Vertiefung mit pädagogischem Fokus und weitere FachdidaktikWInformation
Informatik MasterKernfächer der Vertiefung in Theoretical Computer ScienceWInformation
Informatik MasterKernfächer der Vertiefung in Information SystemsWInformation
Informatik MasterKernfächer der Vertiefung in Computational ScienceWInformation
Informatik MasterKernfächer der Vertiefung in Visual ComputingWInformation
Informatik MasterKernfächer der Vertiefung General StudiesWInformation
Maschineningenieurwissenschaften MasterMechanics, Materials, StructuresWInformation
Neural Systems and Computation MasterWahlfächerWInformation
Rechnergestützte Wissenschaften BachelorWeitere Wahlfächer aus den Vertiefungsgebieten (RW Master)WInformation
Rechnergestützte Wissenschaften BachelorRobotikWInformation
Rechnergestützte Wissenschaften DZWeitere FachdidaktikWInformation
Rechnergestützte Wissenschaften MasterSystems and ControlWInformation
Rechnergestützte Wissenschaften MasterRobotikWInformation
Robotics, Systems and Control MasterKernfächerWInformation
Statistik MasterStatistische und mathematische FächerWInformation