Pat­tern Re­co­gni­ti­on and Ma­chi­ne Learning II

Hilfreiche Voraussetzungen 

Voraussetzung für die Vorlesung ist das Wissen aus der Lehrveranstaltung Pattern Recognition and Machine Learning I.

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. Sie setzt dazu die Lehrveranstaltung Pattern Recognition and Machine Learning I fort.  

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 kennenzulernen, dass sie später nicht nur zielgerichtet angewandt werden können, sondern auch Weiterentwicklungen der Techniken möglich werden. Unter anderem werden folgende Themen besprochen: Kernel-Funktionen und Statistische Lerntheorie (u. a. Support Vector Machines), Bayessche Netze und Markov Random Fields, Expectation Maximization und Variationale Inferenz, Sampling-Verfahren, kontinuierliche latente Variablen (u. a. Principal Component Analysis, Kernel PCA, Autoassoziatoren), Ensemble-Techniken.
 
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.