252-0220-00L  Introduction to Machine Learning

SemesterFrühjahrssemester 2021
DozierendeA. Krause, F. Yang
Periodizitätjährlich wiederkehrende Veranstaltung
LehrspracheEnglisch
KommentarLimited number of participants. Preference is given to students in programmes in which the course is being offered. All other students will be waitlisted. Please do not contact Prof. Krause for any questions in this regard. If necessary, please contact studiensekretariat@inf.ethz.ch



Lehrveranstaltungen

NummerTitelUmfangDozierende
252-0220-00 VIntroduction to Machine Learning
Findet im ETA F 5 mit Videoübertragung ins ETF E 1 statt
4 Std.
Di14:15-16:00ETA F 5 »
14:15-16:00ETF E 1 »
Mi14:15-16:00ETA F 5 »
14:15-16:00ETF E 1 »
A. Krause, F. Yang
252-0220-00 UIntroduction to Machine Learning
Q&A session Wed 16-17
2 Std.
Fr14:15-16:00ML D 28 »
A. Krause, F. Yang
252-0220-00 AIntroduction to Machine Learning
No presence required.
1 Std.A. Krause, F. Yang

Katalogdaten

KurzbeschreibungThe course introduces the foundations of learning and making predictions based on data.
LernzielThe course will introduce the foundations of learning and making predictions from data. We will study basic concepts such as trading goodness of fit and model complexitiy. We will discuss important machine learning algorithms used in practice, and provide hands-on experience in a course project.
Inhalt- Linear regression (overfitting, cross-validation/bootstrap, model selection, regularization, [stochastic] gradient descent)
- Linear classification: Logistic regression (feature selection, sparsity, multi-class)
- Kernels and the kernel trick (Properties of kernels; applications to linear and logistic regression); k-nearest neighbor
- Neural networks (backpropagation, regularization, convolutional neural networks)
- Unsupervised learning (k-means, PCA, neural network autoencoders)
- The statistical perspective (regularization as prior; loss as likelihood; learning as MAP inference)
- Statistical decision theory (decision making based on statistical models and utility functions)
- Discriminative vs. generative modeling (benefits and challenges in modeling joint vy. conditional distributions)
- Bayes' classifiers (Naive Bayes, Gaussian Bayes; MLE)
- Bayesian approaches to unsupervised learning (Gaussian mixtures, EM)
LiteraturTextbook: Kevin Murphy, Machine Learning: A Probabilistic Perspective, MIT Press
Voraussetzungen / BesonderesDesigned to provide a basis for following courses:
- Advanced Machine Learning
- Deep Learning
- Probabilistic Artificial Intelligence
- Seminar "Advanced Topics in Machine Learning"

Leistungskontrolle

Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte8 KP
PrüfendeA. Krause, F. Yang
FormSessionsprüfung
PrüfungsspracheEnglisch
RepetitionDie Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich.
Prüfungsmodusschriftlich 120 Minuten
Zusatzinformation zum Prüfungsmodus70% session examination, 30% project; the final grade will be calculated as weighted average of both these elements. As a compulsory continuous performance assessment task, the project must be passed on its own and has a bonus/penalty function.

Die Prüfung kann am Computer stattfinden / The exam might take place at a computer.

The practical projects are an integral part (60 hours of work, 2 credits) of the course. Participation is mandatory.
Failing the project results in a failing grade for the overall examination of Introduction to Machine Learning (252-0220-00L).
Students who do not pass the project 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.
Simple non-programmable calculator
Digitale PrüfungDie Prüfung findet auf Geräten statt, die von der ETH Zürich zur Verfügung gestellt werden.
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

PlätzeMaximal 800
VorrangDie Belegung der Lerneinheit ist bis 07.03.2021 nur durch die primäre Zielgruppe möglich
Primäre ZielgruppeIntegrated Building Systems MSc (062000)
Robotics, Systems and Control MSc (159000)
Maschineningenieurwissenschaften MSc (162000)
Elektrotechnik und Informationstechnologie BSc (228000)
Quantum Engineering MSc (235000)
Elektrotechnik und Informationstechnologie MSc (237000)
Biomedical Engineering MSc (238000)
Informatik BSc (252000)
Computational Biology and Bioinformatics MSc (262200)
Informatik MSc (263000)
Doktorat Informatik (264002)
DAS ETH in Data Science (266000)
Informatik (Mobilität) (274000)
Mathematik BSc (404000)
Rechnergestützte Wissenschaften BSc (406000)
Quantitative Finance MSc (435000)
Statistik MSc (436000)
Rechnergestützte Wissenschaften MSc (438000)
WartelisteBis 14.03.2021

Angeboten in

StudiengangBereichTyp
Biomedical Engineering MasterWahlfächer der VertiefungWInformation
Biomedical Engineering MasterWahlfächer der VertiefungWInformation
Computational Biology and Bioinformatics MasterData ScienceWInformation
DAS in Data ScienceEinführungskurseWInformation
Elektrotechnik und Informationstechnologie BachelorIngenieurswissenschaftliche WahlfächerWInformation
Elektrotechnik und Informationstechnologie MasterKernfächerWInformation
Elektrotechnik und Informationstechnologie MasterFoundation Core CoursesWInformation
Informatik BachelorVertiefung Information and Data ProcessingOInformation
Integrated Building Systems MasterVertiefungsfächerWInformation
MAS in Medical PhysicsKernfächerWInformation
Maschineningenieurwissenschaften MasterMechanics, Materials, StructuresWInformation
Maschineningenieurwissenschaften MasterRobotics, Systems and ControlWInformation
Mathematik BachelorAuswahl: Weitere GebieteWInformation
Physik MasterAllgemeine WahlfächerWInformation
Quantitative Finance MasterBereich MF (Mathematical Methods for Finance)WInformation
Quantum Engineering MasterWahlfächerWInformation
Rechnergestützte Wissenschaften BachelorKernfächer aus dem Bereich IIWInformation
Rechnergestützte Wissenschaften BachelorRobotikWInformation
Rechnergestützte Wissenschaften MasterRobotikWInformation
Robotics, Systems and Control MasterKernfächerWInformation
Science, Technology, and Policy MasterDaten und InformationstechnologieWInformation
Statistik MasterStatistische und mathematische FächerWInformation
Statistik MasterFachbezogene WahlfächerWInformation