252-0220-00L  Learning and Intelligent Systems

SemesterFrühjahrssemester 2016
DozierendeA. Krause
Periodizitätjährlich wiederkehrende Veranstaltung
LehrspracheEnglisch



Katalogdaten

KurzbeschreibungThe course introduces the foudations of learning and making predictions based on data.
LernzielThe course will introduce the foundations of learning and making predictions from data. We will study basic concepts such as trading goodness of fit and model complexitiy. We will discuss important machine learning algorithms used in practice, and provide hands-on experience in a course project.
Inhalt- Linear regression (overfitting, cross-validation/bootstrap, model selection, regularization, [stochastic] gradient descent)
- Linear classification: Logistic regression (feature selection, sparsity, multi-class)
- Kernels and the kernel trick (Properties of kernels; applications to linear and logistic regression; k-NN
- The statistical perspective (regularization as prior; loss as likelihood; learning as MAP inference)
- Statistical decision theory (decision making based on statistical models and utility functions)
- Discriminative vs. generative modeling (benefits and challenges in modeling joint vy. conditional distributions)
- Bayes' classifiers (Naive Bayes, Gaussian Bayes; MLE)
- Bayesian networks and exact inference (conditional independence; variable elimination; TANs)
- Approximate inference (sum/max product; Gibbs sampling)
- Latent variable models (Gaussian Misture Models, EM Algorithm)
- Temporal models (Bayesian filtering, Hidden Markov Models)
- Sequential decision making (MDPs, value and policy iteration)
- Reinforcement learning (model-based RL, Q-learning)
LiteraturTextbook: Kevin Murphy: A Probabilistic Perspective, MIT Press
Voraussetzungen / BesonderesDesigned to provide basis for following courses:
- Advanced Machine Learning
- Data Mining: Learning from Large Data Sets
- Probabilistic Artificial Intelligence
- Probabilistic Graphical Models
- Seminar "Advanced Topics in Machine Learning"

Leistungskontrolle

Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte8 KP
PrüfendeA. Krause
FormSessionsprüfung
PrüfungsspracheEnglisch
RepetitionDie Leistungskontrolle wird nur in der Session nach der Lerneinheit angeboten. Die Repetition ist nur nach erneuter Belegung möglich.
Prüfungsmodusschriftlich 120 Minuten
Zusatzinformation zum PrüfungsmodusThere will be a course project that determines 30% of the overall grade. 70% of the grade is determined by a written session exam.
Hilfsmittel schriftlichTwo A4-pages (i.e. one A4-sheet of paper), either handwritten or 11 point minimum font size.
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.

Lernmaterialien

 
HauptlinkInformation
Es werden nur die öffentlichen Lernmaterialien aufgeführt.

Lehrveranstaltungen

NummerTitelUmfangDozierende
252-0220-00 VLearning and Intelligent Systems4 Std.
Di13-15ML D 28 »
Mi13-15ML D 28 »
A. Krause
252-0220-00 ULearning and Intelligent Systems2 Std.
Di15-17LFW E 15 »
15-17NO C 60 »
Fr13-15LFW C 1 »
13-15LFW E 15 »
04.03.13-15HG D 7.1 »
22.03.15-17ML F 36 »
15-17ML H 37.1 »
A. Krause
252-0220-00 ALearning and Intelligent Systems
No presence required.
1 Std.A. Krause

Gruppen

Keine Informationen zu Gruppen vorhanden.

Einschränkungen

Keine zusätzlichen Belegungseinschränkungen vorhanden.

Angeboten in

StudiengangBereichTyp
CAS in InformatikObligatorische Fächer der VertiefungWInformation
Computational Biology and Bioinformatics MasterMethoden der InformatikWInformation
Informatik BachelorVertiefung Computational ScienceOInformation
Rechnergestützte Wissenschaften BachelorRobotikWInformation
Rechnergestützte Wissenschaften MasterRobotikWInformation