Mathematische Grundlagen des Maschinellen Lernens IModulbeschreibung #20844 / Version 1
- 10 LP
- Mündliche Prüfung
- Benotet
- Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v3)
| Modul / Version | #20844 / #1 |
|---|---|
| Gültigkeit | SoSe 2023 – SoSe 2023 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 10 |
| Modulverantwortliche*r | Kreusler, Hans-Christian |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät II |
|---|---|
| Institut | Institut für Mathematik |
| Fachgebiet | Keine Angabe |
Kontakt
| Sekretariat | MA 5-4 |
|---|---|
| Ansprechpartner*in | Gottschalk, Hanno |
| E-Mail-Adresse | Keine Angabe |
| Webseite | Keine Angabe |
Lernergebnisse
Die Studierenden verstehen die Grundlagen des maschinellen Lernens und insbesondere des statistischen Lernens.
Sie kennen wichtige Lernverfahren des überwachten und unüberwachten Lernens und verstehen die Voraussetzungen, unter denen diese Verfahren mit hoher Wahrscheinlichkeit zum Erfolg führen. Die Studierenden Erwerben die Kompetenz, ein geeignetes Lernverfahren für eine datengetriebene Problemstellung auszuwählen und die Modelle des Maschinellen Lernens auszuwählen und an die Größe des Datensatzes anzupassen.
Sie kennen wichtige Lernverfahren des überwachten und unüberwachten Lernens und verstehen die Voraussetzungen, unter denen diese Verfahren mit hoher Wahrscheinlichkeit zum Erfolg führen. Die Studierenden Erwerben die Kompetenz, ein geeignetes Lernverfahren für eine datengetriebene Problemstellung auszuwählen und die Modelle des Maschinellen Lernens auszuwählen und an die Größe des Datensatzes anzupassen.
Lehrinhalte
Large Deviation Theory
Abstandsmaße von Verteilungen
Überwachtes und unüberwachtes Lernen
Statistische Lernverfahren
Lernverfahren auf Basis von empirischen Risikofunktionen
Modelle des Maschinellen Lernens
Konvergenzraten von Lernverfahren
Abstandsmaße von Verteilungen
Überwachtes und unüberwachtes Lernen
Statistische Lernverfahren
Lernverfahren auf Basis von empirischen Risikofunktionen
Modelle des Maschinellen Lernens
Konvergenzraten von Lernverfahren
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Mathematische Grundlagen des Maschinellen Lernens I (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| 30 h | |||
Mathematische Grundlagen des Maschinellen Lernens I (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitung | 15 | 10 h | 150 h |
| 210 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 60 h | 60 h |
| 60 h | |||
Der Aufwand des Moduls summiert sich zu 300 Stunden. Damit umfasst das Modul 10 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Vorlesungen und Übungen
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Dringend empfohlen: Wahrscheinlichkeitstheorie I
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Deutsch |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Standard.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Shalev-Shwartz, Shai, and Shai Ben-David. Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.
- Van Handel, Ramon. Probability in high dimension. PRINCETON UNIV NJ, 2014.
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Scientific Computing StuPO 2022 (Beginn WS 2022/23) | SoSe 2023 | Wahlpflichtmodule › Mathematik |
Sonstiges
Das Modul wird künftig Herrn Prof. Dr. Hanno Gottschalk zugeordnet