252-0220-00L Introduction to Machine Learning
| Semester | Frühjahrssemester 2022 |
| Dozierende | A. Krause, F. Yang |
| Periodizität | jährlich wiederkehrende Veranstaltung |
| Lehrsprache | Englisch |
| Kommentar | Limited 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
| Nummer | Titel | Umfang | Dozierende | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 252-0220-00 V | Introduction to Machine Learning Findet im ETA F 5 mit Videoübertragung ins ETF E 1 statt | 4 Std. |
| A. Krause, F. Yang | ||||||||||||
| 252-0220-00 U | Introduction to Machine Learning | 2 Std. |
| A. Krause, F. Yang | ||||||||||||
| 252-0220-00 A | Introduction to Machine Learning No presence required. | 1 Std. | A. Krause, F. Yang |
Katalogdaten
| Kurzbeschreibung | The course introduces the foundations of learning and making predictions based on data. |
| Lernziel | The 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) |
| Literatur | Textbook: Kevin Murphy, Machine Learning: A Probabilistic Perspective, MIT Press |
| Voraussetzungen / Besonderes | Designed 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 Kreditpunkte | 8 KP |
| Prüfende | A. Krause, F. Yang |
| Form | Sessionsprüfung |
| Prüfungssprache | Englisch |
| Repetition | Die Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich. |
| Prüfungsmodus | schriftlich 120 Minuten |
| Zusatzinformation zum Prüfungsmodus | 70% 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. 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. Exceptionally, an examination during the winter examination session 2023 will be offered. |
| Hilfsmittel schriftlich | Two A4-pages (i.e. one A4-sheet of paper), either handwritten or 11 point minimum font size. Simple non-programmable calculator |
| Digitale Prüfung | Die 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
| Hauptlink | Information |
| Es werden nur die öffentlichen Lernmaterialien aufgeführt. | |
Gruppen
| Keine Informationen zu Gruppen vorhanden. |
Einschränkungen
| Plätze | Maximal 800 |
| Vorrang | Die Belegung der Lerneinheit ist bis 06.03.2022 nur durch die primäre Zielgruppe möglich |
| Primäre Zielgruppe | Integrated Building Systems MSc (062000)
Maschineningenieurwissenschaften BSc (152000) 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) Management, Technologie und Ökonomie MSc (363000) Mathematik BSc (404000) Rechnergestützte Wissenschaften BSc (406000) Quantitative Finance MSc (435000) Statistik MSc (436000) Rechnergestützte Wissenschaften MSc (438000) MAS Medical Physics (Radiation Therapy) (465100) MAS Medical Physics (General Medical Physics) (465200) Science, Technology and Policy MSc (860000) |
| Warteliste | Bis 13.03.2022 |
| Belegungsende | Belegung nur bis 13.03.2022 möglich |
