Maschinelles Lernen (wird im Frühjahr 2021 nicht unterrichtet). Das Studienfach, in dem Computer aus Daten lernen können, steht im Mittelpunkt fast aller wissenschaftlichen Disziplinen und das Studium der Generalisierung (dh Vorhersage) aus Daten sind das zentrale Thema des maschinellen Lernens. Dieser Kurs bietet eine Einführung in das maschinelle Lernen auf Hochschulniveau und eine eingehende Beschreibung neuer und fortgeschrittener Methoden des maschinellen Lernens sowie ihrer zugrunde liegenden Theorie. Es hebt Ansätze mit praktischer Relevanz hervor und diskutiert eine Reihe neuerer Anwendungen des maschinellen Lernens, wie Data Mining (in Big Data / Data Science, Datenanalyse), Verarbeitung natürlicher Sprache, Computer Vision, Robotik, Bioinformatik sowie Text- und Webdatenverarbeitung. Maschinelles Lernen wird in verschiedenen Branchen eingesetzt, darunter Finanzdienstleistungen, Öl und Gas, Gesundheitswesen, Marketing und Werbung, Regierung, 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.