Diese Vorlesung behandelt die mathematischen Grundlagen der gängigsten Methoden des maschinellen Lernens. Parallel werden die beschriebenen Problemstellungen mithilfe von Python Scripts bearbeitet. Die Vorlesung richtet sich an Studierende der Naturwissenschaften. Grundkenntnisse der Analysis und lineare Algebra werden vorausgesetzt. Zunächst werden die Grundlagen der linearen und logistischen Regression behandelt. Aus der logistischen Regression wird später die Funktionsweise eines neuronalen Netzwerks entwickelt. Darüber hinaus werden andere Verfahren wie Support Vector machines und unüberwachtes Lernen behandelt.
Vorlesung: Do 14:00-16:00 zunächst als Video (grypstube), später im KSP Physik und PC Pool.
Dozent: Dr. Hartmut Lentz, Prof. Dr. Thomas Ihle
Hinweise: Bitte selbständig im HIS und Moodle einschreiben.
Literatur:
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, von Aurélien Géron
- Pattern Recognition and Machine Learning, von Christopher M. Bishop
- Dozent/in: Thomas Ihle
- Dozent/in: Hartmut Lentz