Maschinelles Lernen (auch als Data Mining, Mustererkennung, Datenanalyse oder Klassifikation bekannt) ist ein Forschungsgebiet an der Schnittstelle von Informatik, Künstlicher Intelligenz, Mathematik und Statistik, die sich diesen Problemen widmet.
In dieser Vorlesung werden wir die einfachsten Lernprobleme studieren, angefangen mit Regressions- und Klassifikationsproblemen (überwachtes Lernen). Hier werden wir uns verschieden Modelle anschauen, wie etwa Lineare Modelle, Entscheidungsbäume, Neuronale Netzwerke, Support-Vector-Maschinen oder einfache Arten Bayesscher Netzwerke. Später werden wir uns auch mit Clusteranalyse und Dimensionsreduktion beschäftigen (unüberwachtes Lernen).

Modulhandbuch:
Studierende sollen nach Absolvierung des Moduls praktische Aufgaben auf das jeweilige Grundproblem zurückführen können. Sie sollen ein tieferes Verständnis im Bereich des maschinellen Lernens entwickelt haben. Sie sollen die Verfahren des maschinellen Lernens verstehen, umsetzen und anwenden können. Sie sollen Verfahren auf spezifische Anwendungsprobleme anpassen können. Darüber hinaus sollen sie dazu in der Lage sein, sich selbständig weitere Verfahren anhand von Literatur zu erarbeiten.

Für Studierende der Bachelor- und Masterstudiengänge Wirtschaftsinformatik und Informationsmanagement und Informationstechnologie

MSc Informatik/KI & ML