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 2019
  3. Hilfe
  4. Sitemap
Switch to english language
Startseite    Anmelden     

Machine Learning 2 - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung
Veranstaltungsnummer 3101 Kurztext
Semester SoSe 2018 SWS 2
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 6
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/ml2-18s/index.html Evaluation
Sprache englisch
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 Gebäude H (Hauptcampus) - Hörsaal H2 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 ausblenden
iCalendar Export
Fr. 08:00 bis 10:00 s.t. Einzeltermin am 20.07.2018 Gebäude H (Hauptcampus) - Hörsaal H2 Raumplan        
Einzeltermine:
  • 20.07.2018
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
SoSe 2018 01 Schmidt-Thieme, Lars 20.07.2018 Klausur 15.07.2018 VERBINDLICH 16.07.2018 VERBINDLICH
SoSe 2018 02 Schmidt-Thieme, Lars 08.10.2018 Klausur 20.07.2018 03.10.2018 VERBINDLICH 04.10.2018 VERBINDLICH WiSe 2018/19: Nachschreibeklausur ML 2


Zugeordnete Personen
Kontaktpersonen (durchführend) Zuständigkeit
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich und durchführend
Jameel, Mohsan , M.S.c verantwortlich und durchführend
Rashed, Ahmed , M.Sc. verantwortlich und durchführend
Weitere Person Zuständigkeit
Jomaa, Hadi Samer , M.Eng. nicht durchführend, nicht verantwortlich
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Master M.Sc. Data Analytics
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf. (PO 2011)
Master M.Sc. Wirtschaftsinf. (PO 2014)
LSF - Module
Modulkürzel Modultitel
MIT-V6KIMa Gebiet KIML (WINF/IMIT), Vorl 6AP (MA vor PO 2014)
MWI-AML Advanced Machine Learning
0ERA-6LP Veranstaltungen mit 6 Credits f. ausl. Programmstud. (ERASMUS)
MWI-ML2 Maschinelles Lernen 2
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inst. für Informatik
Inhalt
Literatur

Literatur:
Richard O. Duda, Peter E. Hart, David G. Stork (2001): Pattern Classification, 2nd edition.
Christopher M. Bishop (2006): Pattern Recognition and Machine Learning.
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.

 

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 Data Mining, Mustererkennung, Datenanalyse oder Klassifikation 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 fortgeschrittene Methoden des Maschinellen Lernens behandelt. Voraussichtlich werden (Convolutional) Neural Networks, Gaussian Processes und Faktorisierungsmodelle betrachtet. Des weiteren wird das Problem des Rankings eingeführt und behandelt.

Zielgruppe

MSc WI & IMIT & AINF & DA -  MSc 1-3


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2018 , Aktuelles Semester: SoSe 2019
Impressum      Datenschutzerklärung     Datenschutz