Home | english  |  Impressum  |  Datenschutz  |  Sitemap  |  Intranet  |  KIT
Arbeitsgruppe 3: Wissenschaftliches Rechnen

Sekretariat
Kollegiengebäude Mathematik (20.30)
Zimmer 3.039

Adresse
Hausadresse:
Zimmer 3.039
Englerstr. 2
Kollegiengebäude Mathematik (20.30)
76131 Karlsruhe

Postadresse:
Karlsruher Institut für Technologie (KIT)
Fakultät für Mathematik
Institut für Angewandte und Numerische Mathematik
Arbeitsgruppe 3: Wissenschaftliches Rechnen
Englerstr. 2
Kollegiengebäude Mathematik (20.30)
D-76131 Karlsruhe

Öffnungszeiten:
Mo-Do 9-12 Uhr

Tel.: 0721 608 42062

Fax.: 0721 608 43197

Mathematische Aspekte des Maschinellen Lernens (Wintersemester 2019/20)

Dozent: Prof. Dr. Christian Wieners
Veranstaltungen: Seminar (0124300)
Semesterwochenstunden: 2


AKTUELL

25.10.2019, 9:45 - 11:15 Uhr

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.

BITTE BEACHTEN SIE: Der erste Vortrag findet am Freitag, den 25.10. statt.

Termine
Seminar: Freitag 9:45-11:15 SR 3.069 (Geb. 20.30)
Dozenten
Seminarleitung Prof. Dr. Christian Wieners
Sprechstunde: Mittwoch 09:30 - 10:30 Uhr
Zimmer 3.041 Kollegiengebäude Mathematik (20.30)
Email: christian.wieners@kit.edu
Seminarleitung M.Sc. Daniele Corallo
Sprechstunde: nach Vereinbarung
Zimmer 3.049 Kollegiengebäude Mathematik (20.30)
Email: daniele.corallo@kit.edu

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 die Anwendung auf inverse Probleme und Differentialgleichungen.
Die Inhalte umfassen:

  • Lerntheorie
  • Support-Vektor-Maschinen (SVMs), Kernelmethoden
  • Hauptkomponentenzerlegung
  • Iterative Optimierung: SGD, Adam, ...
  • Automatisches Differenzieren
  • Neuronale Netze: Grundlagen, Backpropagation, Approximationseigenschaften
  • Anwendungen auf gewöhnliche Differentialgleichungen, inverse Probleme
  • Reinforcement Learning

Das Seminar richtet sich an Studierende im Masterstudiengang.
Es werden Kenntnisse in numerischer Mathematik und Wahrscheinlichkeitstheorie vorausgesetzt, wie sie im Bachelorstudiengang Mathematik vermittelt werden.

Literaturhinweise

  • Siddhartha Mishra: A machine learning framework for data driven acceleration of computations of differential equations (2018)
  • 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)