Mathematische Grundlagen für Maschinelles Lernen
Termin:
4.10.17-7.10.17
Raum:
MAR 0.011
Klausur:
20.10.17, 14-16h in MA 005
Dozentin:
Stephanie Brandl (stephanie.brandl@tu-berlin.de)
Informationen
Das Ziel dieses Kurses ist es, die mathematischen Grundlagen aus den Modulen des Informatik Studiums, die für die Vorlesungen Kognitive Algorithmen und Maschinelles Lernen vorausgesetzt werden, aufzufrischen und zu vertiefen.
Dabei handelt es sich um Konzepte der Analysis (Differentiation), Linearen Algebra (Vektorräume, Skalarprodukte, Orthogonale Vektoren, Matrizen als lineare Abbildungen, Determinanten, Eigenwerte- und Eigenvektoren) und Wahrscheinlichkeitstheorie (mehrdimensionale Wahrscheinlichkeitsverteilungen, Rechnen mit Erwartungswerten und Varianzen).
Weitere Informationen/Materialien gibt es auf ISIS.
Ablauf
Es besteht keine Anwesenheitspflicht. Der ungefähre Ablauf ist wie folgt:
10:00 – 11:30 Uhr |
Einführende Vorlesung |
|
Bearbeitung der Übungsaufgaben |
15:00 - 16:00 Uhr |
Besprechung der Übungsaufgaben |
16:00 – 17:00 Uhr |
Bearbeitung der Hausaufgaben |
Folgende Themen werden behandelt (vorläufiger Zeitplan):
- 04.10. - Lineare Algebra 1. Teil
- 05.10. - Lineare Algebra 2. Teil
- 06.10. - Analysis
- 07.10. - 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.