Mathematical Foundations of Machine Learning

Worum geht's

Du lernst die mathematischen Grundlagen moderner Verfahren des Machine Learning: Aufbau, Lernalgorithmen und Approximationseigenschaften neuronaler Netze, Theorie und Anwendung von Kernmethoden in reproduzierenden Hilberträumen sowie qualitative Aspekte wie Verlustfunktionen, Risiko und Komplexitätsfragen. Am Ende kannst Du Netze konstruieren, deren Approximationseigenschaften diskutieren, Kernmethoden anwenden und die statistische Effizienz von Verfahren einschätzen.

Was du danach kannst

• Grundbegriffe und Konzepte des Maschinenlernens verstehen
• Neuronale Netzwerke konstruieren und implementieren
• Approximationseigenschaften verschiedener Netzwerkarchitekturen diskutieren
• Theorie von Kernmethoden in reproduzierenden Hilberträumen verstehen
• Kernmethoden zur nichtlinearen Regression anwenden können
• Statistische Effizienz von Lernverfahren einschätzen

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Inhalte per Vortrag und Präsentation
• ÜbungVertiefung und Anwendung der Inhalte; Bearbeitung von Beispielen und Gruppenarbeiten

Lehrmethode

• Vortrag/Präsentationzur strukturierten Vermittlung der Lehrinhalte
• Selbststudium der Literaturzur Vertiefung und eigenständigen Auseinandersetzung mit den Themen
• Übungen (teilweise Gruppenarbeit)zum gemeinsamen Lösen konkreter Fragestellungen und praktischer Beispiele