|
|
|
|
Beschreibung |
|
KursbeschreibungDieser Kurs bietet einen breiten Einstieg in klassische und moderne Methoden des Maschinellen Lernens. Nach einer allgemeinen Einführung und Aufrischung wichtiger Grundlagen wie Wahrscheinlichkeitstheorie und Lineare Algebra, werden klassische Ansätze des unüberwachten Lernens (wie K-Means Clustering und Hierarchical Clustering), des überwachten Lernens (wie Bayes Klassifikation, Entscheidungsbäume, Assoziationsregeln und Support Vector Machines), und des Reinforcement-Learnings (wie Markov-Entscheidungsprozesse und Q-Learning) vorgestellt. Anschliessend werden moderne Deep Learning Methoden diskutiert. Dies beinhaltet eine allgemeine Einführung in Künstliche Neuronale Netze, sowie eine tiefere Auseinandersetzung mit Convolutional Neural Networks, Recurrent Neural Networks und Transformern. Abschliessend werden dem Maschinellen Lernen nahe Techniken wie Principal Component Analysis und Data Mining diskutiert. |
|
|
