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 2022
  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 2021/22 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 Ja (als gesamte Veranstaltung - online)
Sprache englisch
Anwesenheitspflicht Nein (?)
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 Externes Gebäude - Online-Lehre (ggf. folgt Raumangabe für Ausnahme Präsenzlehre) 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. 10:00 bis 13:00 c.t. Einzeltermin am 25.02.2022 Altbau Bühler-Campus - L 131 (Aula Bühler-Campus) Raumplan   findet statt     100
Einzeltermine anzeigen
iCalendar Export
Fr. 10:00 bis 13:00 c.t. Einzeltermin am 25.02.2022 Altbau Bühler-Campus - L 046 (Seminarraum) Raumplan   findet statt     100
Einzeltermine anzeigen
iCalendar Export
Fr. 10:00 bis 13:00 c.t. Einzeltermin am 25.02.2022 Altbau Bühler-Campus - L 068 (Seminarraum) Raumplan   findet statt     100
Einzeltermine anzeigen
iCalendar Export
Mi. 09:00 bis 13:00 c.t. Einzeltermin am 30.03.2022 Gebäude I (Hauptcampus) - Hörsaal H1 Raumplan   findet statt     100
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
WiSe 2021/22 01 Landwehr, Niels 25.02.2022 Klausur 01.02.2022 VERBINDLICH 24.02.2022 VERBINDLICH
WiSe 2021/22 02 Landwehr, Niels 30.03.2022 Klausur 26.02.2022 23.03.2022 VERBINDLICH 29.03.2022 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
MIT-VML Maschinelles Lernen
BWI-ML Maschinelles Lernen
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

The lecture will take place online. To participate, you have to enrol in the Learnweb course at https://www.uni-hildesheim.de/learnweb2021/course/view.php?id=3076 (no enrollment key). There, you will also find more details about the organization.

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 2021/22 , Aktuelles Semester: SoSe 2022
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit