Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
  1. SucheSuchen         
  2. SoSe 2024
  3. Hilfe
  4. Sitemap
Switch to english language
Startseite    Anmelden     

Maschinelles Lernen - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung Learnweb   Logo Learnweb
Veranstaltungsnummer 3615 Kurztext ML
Semester WiSe 2023/24 SWS 2
Erwartete Teilnehmer/-innen 100 Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 6 Anmeldung Anmeldepflicht , Vergabe: Automatisch(Losen) (?)
Hyperlink   Evaluation Noch nicht entschieden
Sprache englisch
Keine Anmeldefrist
Termine Gruppe: 1-Gruppe iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Fr. 10:00 bis 12:00 c.t. wöchentlich 03.11.2023 bis 16.02.2024  Gebäude H (Hauptcampus) - HC.H.1.Hörsaal 2 Raumplan        
Gruppe 1-Gruppe:
Termine Gruppe: Klausur iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Fr. 14:00 bis 16:00 s.t. Einzeltermin am 23.02.2024 Gebäude I (Hauptcampus) - HC.I.1.Hörsaal 1 Raumplan        
Einzeltermine anzeigen
iCalendar Export
Fr. 14:00 bis 16:00 s.t. Einzeltermin am 23.02.2024 Gebäude H (Hauptcampus) - HC.H.1.Hörsaal 2 Raumplan        
Einzeltermine anzeigen
iCalendar Export
Mo. 10:00 bis 12:00 s.t. Einzeltermin am 25.03.2024 Gebäude I (Hauptcampus) - HC.I.1.Hörsaal 1 Raumplan        
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
WiSe 2023/24 01 Landwehr, Niels 23.02.2024 Klausur 15.01.2024 15.02.2024 VERBINDLICH 22.02.2024 VERBINDLICH
WiSe 2023/24 02 Landwehr, Niels 25.03.2024 Klausur 24.02.2024 18.03.2024 VERBINDLICH 24.03.2024 VERBINDLICH


Zugeordnete Person
Kontaktperson (durchführend) Zuständigkeit
Landwehr, Niels, Professor Dr. verantwortlich und durchführend
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Bachelor B.Sc. I M I T 6
Bachelor B.Sc. IMIT Studienvar. AI
Bachelor B.Sc. Wirtschaftsinformat 6
Master M.Sc. Data Analytics
Master M.Sc. IMIT Studienvar. AI
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf. 1 - 3 6

Hinweis: Die Angaben zu den Semestern sind nur Empfehlungen, keine Anmeldebeschränkungen.

LSF - Module
Modulkürzel Modultitel
BWI-ML Maschinelles Lernen
MIT-VML Maschinelles Lernen
0ERA-6LP Veranstaltungen mit 6 Credits f. ausl. Programmstud. (ERASMUS)
Zuordnung zu Einrichtungen
Abt. Data Science
Inhalt
Literatur

Christopher M. Bishop (2006): Pattern Recognition and Machine Learning.

Richard O. Duda, Peter E. Hart, David G. Stork (2001): Pattern Classification, 2nd edition.

Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001): The Elements of Statistical Learning. 

Brian D. Ripley (1996): Pattern Recognition and Neural Networks. 

Tom Mitchell (1997): Machine Learning. 

Ian Witten, Eibe Frank (2005): Data Mining: Practical Machine Learning Tools and Techniques, Second Edition.

Bemerkung

If you want to participate in the lecture, please also enroll in the Learnweb course at https://www.uni-hildesheim.de/learnweb2023/course/view.php?id=2991

Lerninhalte

Viele arbeitsaufwändige Probleme können automatisiert werden, indem man das Verhalten des Computersystems von Hand modelliert. Dennoch gibt es viele Probleme bei denen dies nicht möglich ist, da sich das System ständig auf Verhaltensänderungen anpassen muss bzw. weil das Problem einfach zu groß ist.

Maschinelles Lernen (auch als Mustererkennung oder intelligente Datenanalyse bekannt) ist ein Forschungsgebiet an der Schnittstelle von Informatik, Künstlicher Intelligenz, Mathematik und Statistik, das sich diesen Problemen widmet. Es beinhaltet allgemeine Methoden und Techniken, die dann im Rahmen unzähliger verschiedener Anwendungen benutzt werden können, etwa der Vorhersage von Kundenverhalten, dem Steuern eines Roboters, der Entdeckung von Spam-Email oder der Vorhersage von Protein-Faltungen, um nur ein paar zu nennen. 

In dieser Vorlesung werden wir die einfachsten Lernprobleme studieren, angefangen mit Regressions- und Klassifikationsproblemen (überwachtes Lernen). Hier werden wir uns verschiedene Modelle anschauen, wie etwa Lineare Modelle, Entscheidungsbäume, Neuronale Netzwerke, Support-Vector-Maschinen oder einfache Arten Bayesscher Netzwerke. Später werden wir uns auch mit Clusteranalyse beschäftigen (unüberwachtes Lernen).

Zielgruppe

Für Studierende der Masterstudiengänge Wirtschaftsinformatik und Informationsmanagement und Informationstechnologie.

MSc 1-3


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WiSe 2023/24 , Aktuelles Semester: SoSe 2024
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit