Pattern Recognition and Machine Learning I

Hilfreiche Voraussetzungen 

Voraussetzung für die Vorlesung ist das Wissen aus den Mathematikvorlesungen (Stochastik oder diskrete Strukturen, Analysis, Lineare Algeba) eines abgeschlossenen Bachelorstudiums der Informatik, Elektrotechnik, Mechatronik, Mathematik o. ä.  

Inhalte

Die Lehrveranstaltung (Vorlesung/Übung) bietet eine grundlegende Einführung in ein Gebiet, das sich mit der Analyse von Daten, dem Erkennen von Regelmäßigkeiten in diesen Daten und der Bildung von Modellen aus Daten beschäftigt. Diese Modelle können beispielsweise für die Klassifikation von Daten (z. B. Kategorisierung bei einer Qualitätskontrolle) oder für das Lösen eines Regressionsproblems (z. B. Vorhersage der Leistung einer Windanlage) verwendet werden.  

 
In der Vorlesung werden grundlegende Methoden und Verfahren anhand eines weltweit bekannten Standardlehrbuchs für Mustererkennung und Maschinelles Lernen besprochen. Ziel ist, diese so im Detail kennen zu lernen, dass sie später nicht nur zielgerichtet angewanst werden können, sondern auch Weiterentwicklungen der Techniken möglich werden. Unter anderem werden folgende Themen besprochen: Grundlagen (u.a. Stochastik, Modellselektion, Curse of Dimensionality, Entscheidungs- und Informationstheorie), Verteilungen (u.a. Multinomial-, Dirichlet-, Gauss- und Student-Verteilung, nichtparametrische Schätzung von Verteilungen), Lineare Modelle für Regression, Lineare Modelle für Klassifikation, Kernel-Funktionen und Advanced Neural Networks (u. a. Convolutional Neural Networks, Radiale Basis Funktionen-Netze), Gaußsche Prozesse.
 
In der Übung wird die Anwendung der Techniken mit Hife von Jupyter Notebooks und geeigneten Python-Bibliotheken betrachtet. Hierbei werden Beispieldatensätze aus verschiedenen Anwendungsfeldern betrachtet. Ziel ist, den sicheren, systematischen und sorgfältigen Umgang mit den genannten Techniken zu erlernen.

Lernziel/Kompetenzen 

Die Lehrveranstaltung schafft die Voraussetzungen für weiterführende Lehrveranstaltungen wie z. B. Labor Deep Learning oder Vorlesung/Übung Autonomous Learning.