Mathematische Aspekte des Maschinellen Lernens (Wintersemester 2018/19)
- Dozent*in: Prof. Dr. Christian Wieners, Dr. Johannes Ernesti, Dr. Niklas Baumgarten
- Veranstaltungen: Seminar (0124300)
In vielen Bereichen der Wissenschaft und Industrie wurden durch Anwendung von Methoden des Maschinellen Lernens in jüngster Vergangenheit Durchbrüche erreicht.
So sind beispielsweise große Fortschritte im Bereich des autonomen Fahrens von PKW/LKW erst durch den Einsatz dieser Methoden möglich geworden.
Es sind bereits alle Seminarplätze vergeben.
| Termine | ||
|---|---|---|
| Seminar: | Dienstag 14:00-15:30 | SR -1.008 (Geb. 20.30) |
In dem Seminar möchten wir uns mit den mathematischen Aspekten von ausgewählten Themen des Maschinellen Lernens beschäftigen. Dabei geht es einerseits um die Konstruktion der Verfahren, aber auch Konvergenz- sowie Implementierungsaspekte.
Im Fokus des Seminars liegen Regressionsverfahren und Methoden zur Dimensionsreduktion.
Mögliche Themen umfassen:
- Lineare Modelle
- Künstliche neuronale Netze
- Kernelmethoden
- Support-Vector-Machines (SVMs)
- Sampling-Methoden
- Principal Component Analysis (PCA)
Das Seminar richtet sich an Studierende im Masterstudiengang.
Es werden Kenntnisse in numerischer Mathematik und Wahrscheinlichkeitstheorie vorausgesetzt, wie sie im Bachelorstudiengang Mathematik vermittelt werden.
Angaben zu den empfohlenen Quellen der Themen finden Sie hier.
Weitere Materialien werden in der Vorlesungsverwaltung bereitgestellt.
Literaturhinweise
- Bishop, Christopher M., Pattern recognition and machine learning (2006)
- Kevin P. Murphy, Machine Learning, A Probabilistic Perspective (2012)
- Shai Shalev-Shwartz, Shai Ben-David, Understanding machine learning: From theory to algorithms (2014)
- Bernhard Schölkopf, Alexander J Smola, Learning with Kernels (2002)
- Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar, Foundations of machine learning (2012)