FHWS Gebäude Sanderring 8 in Würzburg

Maschinelles Lernen - Prüfungsnummer 9956527

Maschinelles Lernen beschäftigt sich mit dem automatischen (also maschinellen) Erkennen von Mustern und Strukturen. Zum Einsatz kommen meist mathematische Algorithmen und statistische Verfahren.

Inhalt

  1. Einführung
  2. Konzepte des maschinellen Lernens
    • Methoden des maschinellen Lernens
    • Trainings- und Testdaten
    • Zielfunktion und Lernrate
    • Beispiel
  3. Grundlegende Konzepte aus der Mathematik und Programmierung
    • Vektoren, Matrizen und Tensoren
    • Matlab und/oder Python
    • Mathematische Optimierung
    • Statistische Grundbegriffe
  4. Beispiel – Schadensanalyse von Wälzlagern
  5. Einführung in neuronale Netze
    • Andrei Kolmogorow und das 13. Problem von Hilbert
    • Konzepte und Algorithmen
    • Beispiel
  6. Überwachtes Lernen
    • Regressionsprobleme
    • Klassifizierungsprobleme
    • Support Vector Machines (SVM)
    • Beispiele
  7. Unüberwachtes Lernen
    • Clusteranalyse
    • Hauptkomponentenanalyse (PCA)
    • Beispiele
  8. Ein abschließendes Beispiel

Je nach Interesse der Teilnehmer können Schwerpunkte gesetzt werden. Das AWPF erfordert gute mathematische Grundkenntnisse, beispielsweise aus Mathematik 1 und idealerweise Mathematik 2.

Literatur

[1] C. M. Bishop, Pattern recognition and machine learning, New York: Springer, 2006.
[2] T. Hastie, R. Tibshirani, J. Friedman, The elements of statistical learning, New York: Springer, 2017.
[3] S. Russell, P. Norvig, Artificial Intelligence, Boston: Pearson, 2016.

Dozent/in: Prof. Dr. Bittner
Stand: 12.03.2021