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 
Startseite    Anmelden     

Maschinelles Lernen - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung
Veranstaltungsnummer 3101 Kurztext ML
Semester WiSe 2019/20 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/ml-19w/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) - 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. 10:00 bis 12:00 s.t. Einzeltermin am 14.02.2020 Forum - HC.N.0.08 (Hörsaal 4) Raumplan        
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
WiSe 2019/20 01 14.02.2020 Klausur 14.02.2020 14.02.2020
WiSe 2019/20 02 05.06.2020 Klausur 14.05.2020 01.06.2020 VERBINDLICH 04.06.2020 VERBINDLICH


Zugeordnete Personen
Kontaktpersonen (durchführend) Zuständigkeit
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich und durchführend
Scholz, Randolf 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
0ERA-6LP Veranstaltungen mit 6 Credits f. ausl. Programmstud. (ERASMUS)
MWIN-WWi6 Wahlbereich (M WINF) Wirtschaftsinformatik i.e.S. (6 LP)
xMIT-V6KIM Gebiet KIML (WINF/IMIT), Vorl 6AP (MA vor PO 2014)
BWI-ML Maschinelles Lernen
MIT-VML Maschinelles Lernen / Machine Learning
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Literatur
  1. Richard O. Duda, Peter E. Hart, David G. Stork (2001): Pattern Classification, 2nd edition.
  2. Christopher M. Bishop (2006): Pattern Recognition and Machine Learning. 
  3. Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001): The Elements of Statistical Learning. 
  4. Brian D. Ripley (1996): Pattern Recognition and Neural Networks. 
  5. Tom Mitchell (1997): Machine Learning. 
  6. 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 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).

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 2019/20 , Aktuelles Semester: WiSe 2024/25
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit