Machine Learning and Optimization

Worum geht's

Du lernst fortgeschrittene Konzepte und Methoden des Machine Learnings sowie gängige Optimierungsverfahren für deren Training. Am Ende kannst du moderne Lernverfahren (z. B. tiefe neuronale Netze) anwenden und weiterentwickeln, Optimierungsalgorithmen entwerfen und deren Verhalten theoretisch und empirisch analysieren.

Was du danach kannst

• Theoretische Grundlagen fortgeschrittener ML-Algorithmen verstehen
• Fortgeschrittene ML-Methoden anwenden und modifizieren (z. B. Deep Neural Networks)
• Optimierungsalgorithmen für ML-Modelle entwickeln und abstimmen
• Leistung rigoros analysieren: Generalisierungsabschätzungen und Konvergenz/Komplexität
• Praktische Implementierung und empirische Evaluation von ML-Methoden
• Vertrautheit mit Themen jenseits klassischer Überwachung (Active Learning, Fairness)

Aus was das Modul besteht

• VorlesungEinführung und Diskussion der Algorithmen und der zugehörigen Theorie, inkl. aktueller Forschungsergebnisse
• Übungen/Discussion SessionInteraktives Forum für Fragen zu Aufgaben und zur Vertiefung einzelner Themen auf Tafel
• Hausaufgaben (homeworks)regelmäßige theoretische und Programmieraufgaben zur Übung und Praxis (Erfüllung Voraussetzung für Teilnahme an der Prüfung)

Lehrmethode

• VorlesungVermittlung der Theorie hinter ML-Methoden und Darstellung aktueller Ergebnisse
• Aufgaben mit LösungsaustauschWiederholendes Üben: alle zwei Wochen Aufgaben; Lösungen zur Selbstkontrolle werden verteilt
• Offene Aufgaben/ProjektfragenFördert Anpassung bestehender Methoden und Herangehensweise an praktische/Forschungsfragen
• Interaktive DiskussionssitzungGezielte Klärung von Übungsfragen und detaillierte Erklärungen auf Nachfrage