Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

• theoretische und mathematische Hintergründe des maschinellen Lernens zu erläutern;
• Beweise für lerntheoretische und algorithmische Eigenschaften durchzuführen;
• Lernalgorithmen richtig anzuwenden;
• maschinelle Lernverfahren hinsichtlich ihrer algorithmischen Eigenschaften zu vergleichen und zu analysieren; und
• Forschungsarbeiten im maschinellen Lernen zu verstehen, zusammenzufassen und zu präsentieren.

Diese Vorlesung führt in die theoretischen Grundlagen und weiterführenden Themen des maschinellen Lernens ein. Wir analysieren Lernalgorithmen und beweisen Gütekriterien, wie beispielsweise (probabilistische) Fehlerschranken.

Voraussichtliche Themen:

• Empirical Risk Minimisation und Regularisierung
• Probably approximately correct (PAC) Learning
• VC-Dimension
• Kernbasiertes Lernen (SVM)
• Least Squares Regression
• Deep Learning

Eine Mischung aus einführenden Online-Vorlesungen (aufgenommen und/oder live) und Übungen mit formativem Feedback, teilweise mit live Online- Besprechungen der Übungsblätter.

3ects -> 75h
20h Vorlesung
10h Einarbeiten in das zusätzliche Material
10h Übungen
20h Lösen und Einreichen der Arbeitsblätter
15h Abschlussprojekt

Der Leistungsnachweis ergibt sich aus:

• regelmäßigen schriftlich eingereichten Arbeitsblättern und
• einem abschließenden größeren Projekt, z.B. eine Implementierung, ein geschriebener Report oder ein (aufgenommener oder online präsentierter) Vortrag