Lehrinhalte
Das Modul bietet eine Einführung in das aufstrebende Feld des maschinellen Lernens aus einer ingenieurwissenschaftlichen Perspektive. Die wichtigsten Modelle und Lernverfahren werden vorgestellt und anhand von Problemen aus der Informations- und Kommunikationstechnik veranschaulicht.
[list]
[*]Grundlagen der Wahrscheinlichkeitstheorie und der multivariaten Statistik
[*]Taxonomie von maschinellen Lernproblemen und von Modellen (überwacht, unüberwacht, generativ, diskriminativ)
[*]Regression und Klassifikation: Theorie, Methoden und ICT Anwendungen
[*]Dimensionalitätsreduktion, Gruppierung und Analyse großer Datensätze: Methoden und Anwendungen in Kommunikation und Signalverarbeitung
[*]Probabilistische graphische Modelle: Kategorien, Inferenz und Parameterschätzung
[*]Grundlagen der Bayesschen Inferenz, Monte Carlo Methoden, nicht-parametrische Bayessche Ansätze
[*]Grundlagen der konvexen Optimierung: Lösungsmethoden und Anwendungen in der Kommunikation
[*]Approximative Algorithmen für skalierbare Bayessche Inferenz; Anwendungen in der Signalverarbeitung und Informationstheorie (z.B. Dekodierung von LDPC Kodes)
[*]Hidden Markov Modelle (HMM): Theorie, Algorithmen und ICT Anwendungen (z.B. Viterbi Dekodierung von Faltungskodes)
[*]Hochdimensionale Statistik (large p small n setting), Lernen von Abhängigkeitsgraphen in hochdimensionalen Daten, Lernen von Kausalitätsgraphen von Beobachtungsdaten.
[*]Schätzverfahren für dünnbesetzte Probleme, Zufallsprojektionen, compressive sensing: Theorie und Anwendungen in der Signalverarbeitung
[*]Tiefe neuronale Netze (deep learning): Modelle, Lernalgorithmen, Programmbibliotheken und ICT Anwendungen
[/list]
Literatur
[list]
[*]Kevin P. Murphy. Machine Learning A probabilistic perspective, MIT Press, 2012
[*]Christopher M. Bishop. Pattern recognition and Machine Learning, Springer, 2006
[*]Peter Bühlmann und Sara van de Geer. Statistics of high-dimensional data Methods, theory and applications, Springer, 2011
[/list]
Voraussetzungen
Grundkenntnisse von Matlab (z.B. aus dem Kurs 18-st-2030 Matlab Grundkurs) und Mathematik für Ingenieure
Online-Angebote
Moodle
Stammraum Informationen
S306/052
Das Modul bietet eine Einführung in das aufstrebende Feld des maschinellen Lernens aus einer ingenieurwissenschaftlichen Perspektive. Die wichtigsten Modelle und Lernverfahren werden vorgestellt und anhand von Problemen aus der Informations- und Kommunikationstechnik veranschaulicht.
[list]
[*]Grundlagen der Wahrscheinlichkeitstheorie und der multivariaten Statistik
[*]Taxonomie von maschinellen Lernproblemen und von Modellen (überwacht, unüberwacht, generativ, diskriminativ)
[*]Regression und Klassifikation: Theorie, Methoden und ICT Anwendungen
[*]Dimensionalitätsreduktion, Gruppierung und Analyse großer Datensätze: Methoden und Anwendungen in Kommunikation und Signalverarbeitung
[*]Probabilistische graphische Modelle: Kategorien, Inferenz und Parameterschätzung
[*]Grundlagen der Bayesschen Inferenz, Monte Carlo Methoden, nicht-parametrische Bayessche Ansätze
[*]Grundlagen der konvexen Optimierung: Lösungsmethoden und Anwendungen in der Kommunikation
[*]Approximative Algorithmen für skalierbare Bayessche Inferenz; Anwendungen in der Signalverarbeitung und Informationstheorie (z.B. Dekodierung von LDPC Kodes)
[*]Hidden Markov Modelle (HMM): Theorie, Algorithmen und ICT Anwendungen (z.B. Viterbi Dekodierung von Faltungskodes)
[*]Hochdimensionale Statistik (large p small n setting), Lernen von Abhängigkeitsgraphen in hochdimensionalen Daten, Lernen von Kausalitätsgraphen von Beobachtungsdaten.
[*]Schätzverfahren für dünnbesetzte Probleme, Zufallsprojektionen, compressive sensing: Theorie und Anwendungen in der Signalverarbeitung
[*]Tiefe neuronale Netze (deep learning): Modelle, Lernalgorithmen, Programmbibliotheken und ICT Anwendungen
[/list]
Literatur
[list]
[*]Kevin P. Murphy. Machine Learning A probabilistic perspective, MIT Press, 2012
[*]Christopher M. Bishop. Pattern recognition and Machine Learning, Springer, 2006
[*]Peter Bühlmann und Sara van de Geer. Statistics of high-dimensional data Methods, theory and applications, Springer, 2011
[/list]
Voraussetzungen
Grundkenntnisse von Matlab (z.B. aus dem Kurs 18-st-2030 Matlab Grundkurs) und Mathematik für Ingenieure
Online-Angebote
Moodle
Stammraum Informationen
S306/052
- Lehrende: Anja Klein
- Lehrende: Heinz Köppl
Semester: SoSe 2021
Jupyterhub API Server: https://tu-jupyter-t.ca.hrz.tu-darmstadt.de