Maschinelles Lernen ist das Studiengebiet, das Computern die Fähigkeit verleiht, aus Daten zu lernen, ist das Herzstück fast jeder wissenschaftlichen Disziplin, und das Studium der Generalisierung (d. h. der Vorhersage) von Daten ist das zentrale Thema des maschinellen Lernens. Dieser Kurs bietet eine Einführung in das maschinelle Lernen auf Absolventenebene und eine eingehende Behandlung neuer und fortgeschrittener Methoden des maschinellen Lernens sowie der zugrunde liegenden Theorie. Es betont praxisrelevante Ansätze und diskutiert eine Reihe neuerer Anwendungen des maschinellen Lernens, wie beispielsweise Data Mining (in Big Data / Data Science, Data Analytics), Natural Language Processing, Computer Vision, Robotik, Bioinformatik sowie Text- und Webdatenverarbeitung. Maschinelles Lernen wird in verschiedenen Branchen eingesetzt, darunter Finanzdienstleistungen, Öl und Gas, Gesundheitswesen, Marketing und Werbung, Behörden, Internet und Internet der Dinge.
Dieser Kurs behandelt eine Vielzahl von Lernparadigmen, Algorithmen, theoretischen Ergebnissen und Anwendungen. Es verwendet grundlegende Konzepte aus künstlicher Intelligenz, Informationstheorie, Statistik und Kontrolltheorie, soweit sie für das maschinelle Lernen relevant sind. Zu den Themen gehören: überwachtes Lernen (generatives / diskriminatives Lernen, parametrisches / nicht parametrisches Lernen, neuronale Netze, Unterstützungsvektormaschinen, Entscheidungsbaum, Bayes'sches Lernen und Optimierung); unbeaufsichtigtes Lernen (Clustering, Dimensionsreduktion, Kernel-Methoden); Lerntheorie (Bias / Varianz-Kompromisse; VC-Theorie; große Margen); Verstärkungslernen und adaptive Kontrolle. Weitere Themen sind HMM (Hidden Markov Model), Evolutionary Computing, Deep Learning (mit neuronalen Netzen) und das Entwerfen von Algorithmen, deren Leistung auf grundlegende Probleme des maschinellen Lernens genau analysiert werden kann.
Ein wichtiger Teil des Kurses ist ein Gruppenprojekt. Die wichtigsten Open-Source-Tools, die für das parallele, verteilte und skalierbare maschinelle Lernen verwendet werden, werden kurz behandelt, um die Schüler bei der Durchführung der Projekte zu unterstützen. (4-Einheiten) Voraussetzung: Keine.