 |
| Detailinformationen |
| Quellcurriculum |
Bachelorstudium Informatik 2018W |
| Ziele |
Als Machine Learning bezeichnet man eine Klasse von Verfahren, die Modelle/Beziehungen aus Daten identifizieren. Machine-Learning-Verfahren sind in verschiedensten Disziplinen unverzichtbar geworden, wie etwa Prozessmodellierung, Signal- und Bildverarbeitung, Sprachverarbeitung, in den Life Sciences und vielem mehr. Diese Vorlesung bietet einen Einstieg in das Gebiet Machine Learning. Es werden die wesentlichsten Konzepte vorgestellt und ein Überblick über die wichtigsten Verfahren geboten, der mit Beispielen aktueller spannender Anwendungen aus der Praxis ergänzt wird.
|
| Lehrinhalte |
- Taxonomie von Machine Learning Methoden: Überwachtes Lernen und unüberwachtes Lernen, Reinforcement Learning, Klassifikation und Regression.
- Beispiele für grundlegende Methoden: Lineare Regression, k-means, Nearest Neighbor, Principal Component Analysis.
- Evaluierung von Machine Learning Modellen: Kreuztabellen, ROC Kurven
- Support-Vektor-Maschinen und Random Forests mit Beispielen aus den Life Sciences
- Neuronale Netze und Deep Learning mit Beispielen aus der Bildanalyse, Pharmakologie und Sprachverarbeitung
- Clustering- und Biclustering-Verfahren
|
| Beurteilungskriterien |
Schriftliche Klausur
|
| Lehrmethoden |
Folienvortrag ergänzt durch Online-Demos und Beispiele, die an der Tafel vorgeführt werden
|
| Abhaltungssprache |
English |
| Literatur |
Lehrveranstaltungsunterlagen werden zum Download zur Verfügung gestellt
|
| Lehrinhalte wechselnd? |
Nein |
| Äquivalenzen |
INBIPVOBIIN: VO Bioinformatics (3 ECTS)
|
|
