Mathematische Grundlagen für Maschinelles Lernen

• Termin:	Freitags, 07.11,14.11, 21.11, 28.11, 10:00 - 17:00
  Raum:	MAR 4.065
  Dozent:	Irene Winkler (irene.winkler@tu-berlin.de)

Informationen

Das Ziel dieses Kurses ist es, die mathematischen Kenntnisse aus den Grundlagen des Modulen des Informatik Studiums, die fur die Vorlesung Maschinelles Lernen vorausgesetzt werden, aufzufrischen und zu vertiefen.

Dabei handelt es um Konzepte der Linearen Algebra (Vektorraume, Skalarprodukte, Orthogonale Vektoren, Matrizen als lineare Abbildungen, Determinanten, Eigenwerte- und Eigenvektoren) und Wahrscheinlichkeitstheorie (mehrdimensionale Wahrscheinlichkeitsverteilungen, Rechnen mit Erwartungswerten und Varianzen).

Ablauf

Es besteht keine Anwesenheitspflicht. Der ungefähre Ablauf ist wie folgt:

Folgende Themen werden behandelt:

• 07.11 - Euklidische Vektorräume

• 14.11 - Matrizen & Determinante

• 21.11 - Eigenwerte und Eigenvektoren
• 28.11 - Wahrscheinlichkeitsrechnung

Anrechenbarkeit

Der Kurs ist Wahlpflichtbestandteil des Moduls Maschinelles Lernen I (M.Sc. Informatik) und des Moduls Kognitive Algorithmen (B.Sc. Informatik).

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. 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.