| Kommentar |
In der Lehrveranstaltung „Künstliche Intelligenz II: Grundlagen des maschinellen Lernens“ werden die grundlegenden Konzepte und Methoden für die Verarbeitung von Daten mithilfe maschineller Lernverfahren eingeführt. Nach eine Einführung in das Thema werden zunächst die Grundlagen der Signalverarbeitung, sowie die Gewinnung und Analyse von abstrakteren Merkmalen aus den Rohdaten behandelt. Im Anschluss werden einzelne Ansätze und Lernverfahren im Detail untersucht. Zu diesen gehören
- Bayes’sche Entscheidungstheorie
- Parameterschätzung
- Nichtparametrische Methoden
- Support-Vector Machines
- Nichtmetrische Methoden: Entscheidungsbäume
- Algorithmenunabhänge Verfahren
- Prüfung: schriftlich, Vorbedingung: Hausaufgaben |
| Literatur |
Ausführliche Literaturhinweise werden in der Vorlesung zur Verfügung gestellt.
- „Hands-On Machine Learning with Scikit-Learn & TensorFlow“ Géron A, O’Reilly 2017
- „Pattern Classification“ Duda RO, Hart PE, Stork DG. Wiley, 2nd edition, 2003.
- „Pattern Recognition“ Bishop C. Springer, 2006.
- „The Elements of Statistical Learning – Data Mining, Inference, and Prediction“ Hastie T, Tibshirani R, Friedman J. Springer, 2001. |
| Lerninhalte |
- Signalverarbeitung
- Merkmalsextraktion und -berechnung
- Klassifikationsverfahren
- Bayes’sche Entscheidungstheorie (z.B. Bayes’ Classifier)
- Parameterschätzung (z.B. Maximum Likelihood Schätzer)
- Nichtparametrische Lernverfahren (z.B. KNN)
- Support Vector Machines
- Entscheidungsbäume |
