|
Size: 4108
Comment:
|
Size: 3449
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 1: | Line 1: |
| == Python Programmierung für Maschinelles Lernen und Datenanalyse == | == Python Programming for Machine Learning == |
| Line 7: | Line 7: |
| || '''Raum:''' || MAR 6.xxx || | || '''Raum:''' || MAR 6.001 || |
| Line 9: | Line 9: |
| || '''Sprache:''' || Englisch || | |
| Line 10: | Line 11: |
| Das Ziel dieses Kurses ist es, Grundlagen des wissenschaftlichen Programmierens in Python zu vermitteln. Insbesondere behandelt der Kurs effiziente Implementierung typischer Berechnungen und den Umgang mit den Paketen | [[http://www.python.org/|Python]] has become a standard language for prototyping and plotting results in the machine learning community. Goal of this course is a basic understanding of python programming for machine learning and data analysis. We want to enable students to quickly load a data set, implement an algorithm, run analyses and plot the results. We will therefore focus on efficient calculations and visualization. For this, we make use of the packages |
| Line 14: | Line 17: |
| Beispiele beziehen sich auf Anwendungen im Maschinellen Lernen. | Examples relate to Machine Learning Applications. |
| Line 16: | Line 19: |
| Knowledge of elementary programming concepts will be helpful. Be aware that lack of such knowledge will increase the time demand of the class.n. | |
| Line 17: | Line 21: |
| Grundlegende Kenntnisse in einer andere Programmiersprache werden vorausgesetzt. Das bedeutet, Konzepte wie * Variablen und Datentypen; * Kontrollstrukturen (if, for, while, switch); * Definition und Aufruf eigener Funktionen; * Debugging; und der * Umgang mit der (UNIX) Kommandozeile sollten geläufig sein. Eigenständiges Erarbeiten programmiersprachen-spezifischer Funktionalität anhand der Dokumentation wird vorausgesetzt. Da die Dokumentation von Python und der Pakete auf Englisch ist, werden außerdem ausreichende Englischkenntnisse benötigt. |
Homework is submitted via [[https://www.isis.tu-berlin.de/course/view.php?id=7876|ISIS]]. |
| Line 25: | Line 23: |
Wir freuen uns über Teilnehmer aller Fachrichtungen. Um Enttäuschungen bzgl. der Zeitaufwands und/oder der Note zu vermeiden möchte ich aber darauf hinweisen, dass dieser Kurs im Rahmen des Masterstudiengangs Informatik angeboten wird. Wer wenig Programmiererfahrung oder geringe Kenntnisse der Matrixrechnung hat, wird daher einen erheblich erhöhten Zeitaufwand einplanen müssen. Die Abgabe der Hausaufgaben erfolgt via [[https://www.isis.tu-berlin.de/course/view.php?id=7876|ISIS]]. '''Für die Nutzung von Matlab auf unseren Rechnern wird ein TUBIT-Account benötigt.''' Falls ihr noch keinen Account habt, schreibt mir bitte eine e-mail an daniel.bartz@tu-berlin.de mit vollständigem Namen (so wie er auf dem Ausweis steht) und Geburtsdatum. Wir generieren dann ein PDF, mit dem der TUBIT-Account an der [[http://www.tubit.tu-berlin.de/menue/hilfe_beratung/glossar/k/kartenausgabestelle_kas/|Kartenausgabestelle]] abgeholt werden kann. |
'''A TUBIT-Account is needed for the login on our computers.''' If you do not have such an account, write an e-mail to daniel.bartz@tu-berlin.de containing your full name (as on your ID!) and date of birth. We then generate a PDF, with which you receive a TUBIT-Account at the [[http://www.tubit.tu-berlin.de/menue/hilfe_beratung/glossar/k/kartenausgabestelle_kas/|Kartenausgabestelle]]. |
Python Programming for Machine Learning
!!! work in progress, the content of this site will change in the following days !!!
Termin:
Blockveranstaltung Di, 02.04. bis Do, 04.04.2013 jeweils 10:00-17:00 Uhr
Prüfung:
Prüfung Fr, 12.04. 10:00 - 11:30 Uhr
Raum:
MAR 6.001
Dozent:
Daniel Bartz (daniel.bartz@tu-berlin.de, Raum MAR 4.034)
Sprache:
Englisch
Python has become a standard language for prototyping and plotting results in the machine learning community.
Goal of this course is a basic understanding of python programming for machine learning and data analysis. We want to enable students to quickly load a data set, implement an algorithm, run analyses and plot the results. We will therefore focus on efficient calculations and visualization. For this, we make use of the packages
- numpy
- matplotlib
- scipy
Examples relate to Machine Learning Applications.
Knowledge of elementary programming concepts will be helpful. Be aware that lack of such knowledge will increase the time demand of the class.n.
Homework is submitted via ISIS.
A TUBIT-Account is needed for the login on our computers. If you do not have such an account, write an e-mail to daniel.bartz@tu-berlin.de containing your full name (as on your ID!) and date of birth. We then generate a PDF, with which you receive a TUBIT-Account at the Kartenausgabestelle.
Ablauf
Es besteht keine Anwesenheitspflicht. Der ungefähre Ablauf ist wie folgt:
10:00 – 11:00 Uhr |
Einführung und Demonstration (zum Mittippen) |
11:00 – 13:00 Uhr |
Gemeinsame Bearbeitung der Übungsaufgaben |
14:30 Uhr |
Ausgabe und ggf. Besprechung der Musterlösungen |
14:30 – 17:00 Uhr |
Bearbeitung der Hausaufgaben |
Abgabeschluss für die Hausaufgaben ist 10:00 Uhr am folgenden Tag. Wir werden folgende Themen behandeln:
- Dienstag: Grundlagen Matlab, Lineare Algebra
- Mittwoch: Grafik, Zufallszahlen
- Donnerstag: Mehr Grafik, Datenimport, Umgang mit Strings
Anrechenbarkeit
Der Kurs ist Wahlpflichtbestandteil des Moduls Maschinelles Lernen I (M.Sc. Informatik). (Das Master-Modul "Maschinelles Lernen 1" wird im Wintersemester angeboten und lässt sich auf Antrag in den Bachelor Informatik einbringen).
Eine Anmeldung für den Kurs ist nicht erforderlich, Studenten aller Fachrichtungen und Universitäten sind willkommen. Grundlage für den benoteten Leistungsnachweis (2 SWS bzw. 3 LP) ist die Klausur (90 Minuten), auf Wunsch stellen wir bei bestandener Klausur auch einen unbenoteten Leistungsnachweis aus. Matlab und sämtliche Aufzeichnungen dürfen in der Klausur verwendet werden. Voraussetzung für die Teilnahme an der Klausur ist das Erreichen von mindestens der Hälfte aller möglichen Punkte in den Hausaufgaben, die Ergebnisse in den Übungsaufgaben gehen nicht in die Note ein. Die Hausaufgaben sind nicht als Gruppenarbeit anzufertigen.
TU Studenten, die den Kurs als als freie Wahl in ihr Studium einbringen möchten, müssen in der Regel die Modulprüfung bei ihrem Prüfungsamt anmelden, ansonsten kann es bei der Anrechnung beim Prüfungsamt später Probleme geben.