VÜ: Maschinelles Lernen

Da (große) Datenmengen immer mehr zunehmen, steigt auch die Nachfrage nach einer automatisierten Analyse dieser Art von Daten weiter an. Mit der steigenden Nachfrage nach Data Scientists wächst auch der Bedarf an Studenten und Studentinnen, die ML-Technologien in verschiedenen Bereichen von Cybersicherheit bis hin zu Medizin und Ingenieurwesen entwickeln und anwenden können 

Der Kurs bietet einen Überblick über Methoden und Algorithmen des maschinellen Lernens für zwei zentrale Lernaufgaben, nämlich überwachtes und unüberwachtes Lernen. Im ersten Teil des Kurses werden für jede Aufgabe die wichtigsten Algorithmen und Techniken behandelt, einschließlich Experimentier- und Bewertungsaspekten. Im zweiten Teil des Kurses werden wir uns auf spezifische Lernherausforderungen konzentrieren, darunter Populationsungleichgewicht und Datenknappheit. Am Ende des Kurses werden Sie gelernt haben, wie man maschinelle Lernmodelle für verschiedene Probleme erstellt, wie man ihre Leistung richtig bewertet und wie man spezifische Lernherausforderungen bewältigt 

Kursinhalte (Änderungen vorbehalten)

• Supervised learning
• Unsupervised learning
• Outlier detection
• Machine learning with imbalanced data
• Machine learning under data scarcity

Literatur:

• Shai Ben-David and Shai Shalev-Shwartz, Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014
• Mitchell T. M., Machine Learning, McGraw-Hill, 1997
• Wagner Meira and Mohammed Zaki, Data Mining and Machine Learning: Fundamental Concepts and Algorithms, Cambridge University Press, 2020