Theorie des maschinellen Lernens

NUMMER: 1k
KÜRZEL: theoMascL
MODULBEAUFTRAGTE:R: Prof. Dr. Asja Fischer
DOZENT:IN: Prof. Dr. Asja Fischer
FAKULTÄT: Fakultät für Informatik
SPRACHE: Deutsch
SWS: 6
CREDITS: 9
WORKLOAD: 180 Stunden
ANGEBOTEN IM: jedes Sommersemester

PRÜFUNGEN

FORM: Mündlich
ANMELDUNG:
DATUM: 0000-00-00
BEGINN: 00:00:00
DAUER: 30 Minuten
RAUM:

LERNFORM

Vorlesung mit begleitender Übung

LERNZIELE

Die Studierenden werden mit mathematischen Modellen für das maschinelle Lernen vertraut
gemacht. Sie erwerben die Fähigkeit, Lernalgorithmen zu beurteilen und zu vergleichen anhand des Grades, in welchem diese (exakt beschriebene) Erfolgskriterien erreichen. Sie erwerben Techniken sowohl zum Design effizienter Lernalgorithmen als zum Nachweis der inhärenten Härte eines Problems. Nach dem erfolgreichen Abschluss des Moduls
∙ kennen Studierende die wichtigsten Lernmaschinen (wie zum Beispiel Support Vector Machines und verwandte Modelle),
∙ verstehen Studierende den Unterschied zwischen empirischer und realer Fehlerrate und kennen Techniken zum Umgang mit dem Problem des overfitting der Daten (mit einem zu komplexen Modell),
∙ können Studierende zwischen uniformer und nicht uniformer Lernbarkeit einer Hypothesenklasse unterscheiden und kennen die dazu passenden Theorien und Lernregeln.

INHALT

Gegenstand der Vorlesung ist die statistik-basierte Theorie des maschinellen Lernens. Insbesondere wird die Methode der strukturierten Risikominimierung vermittelt sowie die ihr zugrunde liegenden statistischen Lehrsätze. Es werden sowohl Techniken zum Entwurf effizienter Lernalgorithmen besprochen als auch informations- oder berechnungstheoretische
Barrieren, die bestimmte Lernprobleme als nicht effizient lösbar erscheinen lassen.

VORAUSSETZUNGEN CREDITS

Bestandene Modulabschlussprüfung

EMPFOHLENE VORKENNTNISSE

Keine

LITERATUR

: Als Begleitliteratur eignet sich das Buch "Understanding Machine Learning: from
Theory to Algorithms" der Autoren Shai Shalev-Shwartz und Shai Ben-David.

AKTUELLE INFORMATIONEN

Verwendung des Moduls (in anderen Studiengängen):
Studiengang Mathematik

SONSTIGE INFORMATIONEN

Verwendung des Moduls (in anderen Studiengängen):
Studiengang Mathematik