Vorlesung Einführung in Maschinelles Lernen

Termine und Informationen

Es handelt sich um eine integrierte Vorlesung mit Übung. Dieser Kurs ist eine Pflichtveranstaltung im Modul Maschinelles Lernen 1 und umfasst 6 LP. Siehe auch den Eintrag im Vorlesungsverzeichnis

Themen

Die Vorlesung behandelt einführende Themen im Bereich des Maschinellen Lernens.

Im Anschluss an die Vorlesung findet die Übung statt, in der die erlernten Methoden vertieft werden.

Vorkenntnisse

Kenntnisse in Linearer Algebra und Grundkenntnisse in Wahrscheinlichkeitsrechnungsind werden vorausgesetzt. Zur Lösung eines Teils der Hausaufgaben werden Kenntnisse in Matlab benötigt. Matlab ist auf dem vom irb verwalteten System installiert und kann mit /home/ml/ml/bin/matlab gestartet werden.

Leistungsnachweis und Prüfungsrelevanz

Eine erfolgreiche Teilnahme an dieser Integrierten Vorlesung sowie einer Wahlpflichtveranstaltung sind Voraussetzung für die Anmeldung zur Modulprüfung Maschinelles Lernen 1. Der Stoff der Modulprüfung besteht aus dem Stoff der Vorlesung und der Übungen sowie der Wahlpflichtveranstaltung.

Erfolgreich an der Integrierten Vorlesung teilgenommen hat wer

• Mindestens 50% der Übungspunkte auf den Übungsblättern erhalten hat
• Mindestens 50% der Aufgaben zum Vorrechnen votiert hat. Die Anwesenheit ist zum Votieren in der Regel erforderlich; nach vorheriger Rücksprache kann davon im Einzelfall abgewichen werden.
• Mindestens eine votierte Aufgabe richtig vorgerechnet hat.

Übungen

Hinweise zu den Abgaben:

• Die Übungsblätter sind jede Woche bis Dienstag 10:00 im Briefkasten vor Raum FR6061 abzugeben.

• Die Lösungen zu theoretischen Aufgaben sind handschriftlich abzugeben.

• Die praktischen Aufgaben sollen per Email (franz.j.kiraly@tu-berlin.de) und in Papierform abgegeben werden.

• Die Übungsblätter dürfen in festen Zweiergruppen bearbeitet und abgegeben werden.

Darüber hinaus beachtet bitte folgende Hinweise:

• Die Lösungen sollten gut erklärt und strukturiert sein. Insbesondere sollte Programmcode auch ausreichend dokumentiert und den üblichen Konventionen entsprechend formatiert sein (z.B. Einrückungen).
• Natürlich müssen die Lösungen selbst erarbeitet und niedergeschrieben werden. Selbst wenn man sich "Anregungen" besorgt hat, muß der Lösungsweg selbst verstanden und unabhängig niedergeschrieben werden. Wörtliche Kopien anderer Lösungen oder aus dem Internet sind ein Vergehen, für das entsprechende Konsequenzen vorgesehen sind.
• Es kommt immer wieder vor, dass Studenten die Übungsaufgaben bearbeiten wollen, aber aus terminlichen Gründen nicht an der Übung selbst teilnehmen können. Bitte klärt das mit Eurem Übungsleiter ab und holt Eure Lösungen regelmäßig ab, um den Lernerfolg sicherzustellen.

Literatur und Links

Folgene Bücher geben eine umfassende Einführung in den Bereich des Maschinellen Lernens.

• Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.

• Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern Classification , Wiley (2. Auflage).

• Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001) The Elements of Statistical Learning, Springer.

Folgende Bücher geben eine umfassende Einführung in die Wahrscheinlichkeitstheorie und in die Statistik.

• G. Bamberg, F. Baur (2006) Statistik, Oldenbourg-Verlag, 12. Auflage

• L. Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage

• L. Wasserman (2004) All of Statistics, Springer

Die wichtigsten Gleichungen für das Rechnen mit Matrizen und insbesondere die Ableitungsregeln für höherdimensionale Funktionen findet man hier:

• K. B. Petersen, M. S. Pedersen (2007) The Matrix Cookbook. Technical University of Denmark [ externer link ]

Terminplan

Übungszettel

• Blatt 1