| Detailinformationen |
| Quellcurriculum |
Masterstudium Computer Science 2016W |
| Ziele |
Die Lehrveranstaltunge bietet eine Einführung in Standard-Methoden der Musterklassifikation, des maschinellen Lernens und der statistischen Datenmodellierung. Grundlegende Konzepte und Methoden werden erklärt, und die Anwendung dieser Methoden auf komplexe praktische Probleme wird in der Vorlesung diskutiert und im praktischen Teil der Lehrveranstaltung anhand eines nichttrivialen Klassifikationsprojekts praktisch erprobt.
|
| Lehrinhalte |
Bayes-Klassifikation und Bayes-Error; Dichteschätzung; Nearest-neighbour-Methoden; Standard-Klassifizierer im Machine Learning (Entscheidungsbäume, Klassifikationsregeln, Naive Bayes, Feedforward Neural Networks, Supportvektor-Maschinen); empirische Evaulierung von Klassifizierern; Clustering und Mixtur-Modelle; Dimensionalitätsreduktion und Datenprojektionsmethoden; Markov-Prozesse und Hidden Markov Models.
Practischer Teil: Die Studierenden führen ein Musterklassifikationsprojekt mit komplexen Daten durch, in mehreren Stufen -- von der Definition und Analyse von Features über das Trainieren verschiedenster Klassifizierer bis zum systematischem Experimentieren und Evaluieren.
|
| Beurteilungskriterien |
Schriftliche Prüfung am Ende des Semesters; Durchführung eines praktischen Projekts (in Gruppen) während des Semesters.
|
| Lehrmethoden |
Folienvortrag mit Beispielen an der Tafel
|
| Abhaltungssprache |
Englisch |
| Literatur |
Wird zu Lehrveranstaltungsbeginn bekanntgegeben
|
| Lehrinhalte wechselnd? |
Nein |
| Äquivalenzen |
INMPPKVMLPC: KV Machine Learning and Pattern Classification (4,5 ECTS)
|
