|
Machine Learning (Inf2-SEM-ML)
- Dozentinnen/Dozenten
- Dipl.-Ing. Nicolas Witt, Tobias Feigl, M. Sc., Dr.-Ing. Christopher Mutschler
- Angaben
- Seminar
2 SWS, ECTS-Studium, ECTS-Credits: 5, Sprache Deutsch, Anmeldung mit Themenwunsch per E-Mail vor Vorlesungsbeginn; Verteilung der Vortragsthemen erfolgt FCFS.
Zeit und Ort: Einzeltermine am 19.1.2019, 26.1.2019, 2.2.2019, 2.3.2019 10:00 - 14:00, 04.150; Bemerkung zu Zeit und Ort: findet als Blockveranstaltung statt
- Studienfächer / Studienrichtungen
- WPF CE-BA-SEM ab 2 (ECTS-Credits: 5)
WPF CE-MA-SEM ab 1 (ECTS-Credits: 5)
WPF INF-BA-SEM ab 2 (ECTS-Credits: 5)
WPF INF-MA ab 1 (ECTS-Credits: 5)
WF IuK-MA ab 1 (ECTS-Credits: 5)
- Voraussetzungen / Organisatorisches
- Anmeldung per E-Mail an nicolas.witt@fau.de
Scheinkriterien:
40 Minuten Vortrag
Erstellung einer Ausarbeitung mit den wesentlichen Punkten des Vortrags (keine Folienkopien, ca. 6-8 Seiten)
Anwesenheit bei den Vorträgen der anderen Teilnehmer
Fertigstellung der Folien bis spätestens einer Woche vor dem Vortragstermin, Fertigstellung der Ausarbeitung bis zum Ende des Semesters
- Inhalt
- Dieses Seminar führt in das Themengebiet des maschinellen Lernens ein. Maschinelles Lernen befasst sich mit der Frage, wie Computerprogramme zu konstruieren sind, die automatisch ihr Wissen vergrößern. Ziel des Seminars ist, die wichtigsten Schlüsselalgorithmen aus diesem Gebiet zusammen mit erläuternden Beispielen ihrer Arbeitsweise und der Theorie vorzustellen, die den Kern des Machine Learning ausmachen. Klassische Themengebiete sind hierbei beispielsweise Lernen mit Belohnung, evolutionäre Algorithmen oder statistische Verfahren. Mit der Zeit haben sich nach und nach etablierte Verfahren wie Support Vector Machines, Hidden Markov Modelle oder künstliche Neuronale Netze entwickelt. Das Seminar soll einen übergreifenden Einblick in die Welt des maschinellen Lernen und deren Algorithmen vermitteln.
Die Materialien zur Lehrveranstaltung werden über StudOn bereitgestellt: https://www.studon.fau.de
- Empfohlene Literatur
- T. M. Mitchell: Machine Learning, McGraw-Hill, 1997.
J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann, 1993.
F. V. Jensen, An introduction to Bayesian Networks, UCL Press, 1996.
N. Lavrac und S. Dzeroski, Inductive Logic Programming, Techniques and Applications, Ellis Horwood, 1994.
J. A. Freeman, Simulating Neural Networks with Mathematica, Addison-Wesley, 1994.
J. Hertz, A. Krogh und R. G. Palmer, Introduction to the Theory of Neural Computation, Addison-Wesley, 1991.
R. Rojas, Theorie der neuronalen Netze, Springer, 1996.
W. Banzhaf, P. Nordin, R. E. Keller und D. Francone, Genetic Programming: An Introduction, Morgan Kaufmann und dpunkt, 1998.1994.
M. Mitchel, An Introduction to Genetic Algorithms, MIT-Press, 1996.
Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1992.
C. Bishop, Pattern Recognition and Machine Learning, Springer, 2007
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016
- ECTS-Informationen:
- Credits: 5
- Zusätzliche Informationen
- www: https://www.studon.fau.de
Für diese Lehrveranstaltung ist eine Anmeldung erforderlich. Die Anmeldung erfolgt über: persönlich beim Dozenten
- Verwendung in folgenden UnivIS-Modulen
- Startsemester WS 2018/2019:
- Biomedizin und Hauptseminar Medizintechnik (BuHSMT)
- Biomedizin und Technik (BuT)
- Machine Learning (Inf2-SEM-ML)
- Machine Learning (Inf2-SEM-ML-L)
- Seminar Medizintechnik und Medizinethik (Medtech Ethik)
- Institution: Chair of Computer Science 2 (Programming Systems)
|
|
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|