- Erkennen, Analysieren und Formalisieren von daten- und experten-basierten Modellierungsaufgaben (K1, K3, K4, K6)
- Die Qualität eines datenbasierten Modells evaluieren können (K3)
- Techniken der statistischen Lerntheorie kennen, anwenden, evaluieren und anpassen können (K1, K3, K5, K6)
- Ausgewählte theoretische Ergebnisse zur daten- und experten-basierten Modellierung beweisen und interpretieren können (K2, K3, K4)
- Ausgewählte Fuzzy Systeme kennen und anwenden können (K1, K2, K3)
- Zugrundeliegende mathematischen Resultate und Techniquen kennen und anwenden können (K1, K2, K3)
|
Grundlegende Begriffe: (un)supervised learning, Regressions- vs. Klassifikationsaufgaben, iid Samples, Hypothesenklasse, Fehlerfunktion, empirische Fehler Minimierung, regularisierte Fehlerminimierung, Bayes Fehler und Schätzer, (agnostisches) PAC Lernen, Konsistenz, Fehlerzerlegung, VC Dimension, Modellvalidierung, under/over-fitting, bias-variance trade off
Ausgewählte databasierte Modelle umfassen exemplarisch: Lineare Modelle, verschiedene Regressionsmodelle, Support vector machines, Kernel Methods, Neuronale Netze, Entscheidungsbäume, Random Forests, Clustering
Algorithmische Aspekte der Optimierung: Fehlerquadratminimierung, Perzeptron Algorithmus, (stochastische) Gradientabstiegsverfahren
Ausgewählte theoretische Ergebnisse: Representer Theorem, Mercer‘s Theorem, No free lunch Theorems, Konvergenzresultate, Eigenschaften konvexer Lernprobleme
Grundlegende Begriffe: Fuzzy Menge, fuzzy Inferenzschemata, semantische Modelle der fuzzy Logiken
Ausgewählte Modelle: Mamdani und Tagaki-Sugeno-Kang Fuzzy Systeme
|
