18.208 Vorlesung: Maschinelles Lernen

Raum	F-334
Zeit	Mittwoch 10 - 12 Uhr (c.t.)
Veranstalter	Jianwei Zhang
Sprechstunde	Donnerstag 15:00 - 16:00, F 308
Lernziele	Den Studierenden sollen einige repräsentativen Modelle, Methoden und Algorithmen aus dem Themenbereich des maschinellen Lernens vermittelt werden. Dabei lernen sie zus�zlich Anwendungen in Modellierung, Vorhersage und Steuerung von multimodalen Informationssystemen kennen.
Inhalt	Maschinelles Lernen behandelt Computer-Algorithmen, welche die Performanz eines Systems automatisch verbessern. In dieser Vorlesung wird sowohl Lernen aus vorhandenen Daten als auch Lernen aus direkter Erfahrung studiert: Formulierung des Lernproblems, adaptives Lernen Funktionsapproximation und Regularisierungsnetzwerke Statistische Lerntheorie Daten- und Dimensionsreduktion Reinforcement-Lernen und evaluatives Feedback Markov-Entscheidungsprozesse und Lernalgorithmen Dynamische Programmierung und Monte Carlo Methoden Generalisierung und Fallstudien
Stell. im Studienplan	Hauptstudium, Vertiefungsgebiete A5, P6, P7, P8, P9, T1; Schwerpunkte BV, ES, IM, SV, WV
Voraussetzungen	Grundkenntnisse der Informatik und Mathematik
Vorgehen	Vorlesung mit Fallstudien,Demonstrationssystemen und \Übungen
Literatur	Machine Learning, Tom Mitchell, McGraw Hill, 1997. Reinforcement Learning: An Introduction. Richard S. Sutton and Andrew G. Barto MIT Press, Cambridge, MA, 1998 Weitere aktuelle Bücher und technische Beiträge werden bekanntgegeben.
Folien zur Vorlesung	Woche 14 / 2007 (PDF) Woche 14 / 2007 (PS: 2 Folien pro Seite) Woche 15 / 2007 (PDF) Woche 15 / 2007 (PS: 2 Folien pro Seite) Woche 16 / 2007 (PDF) Woche 16 / 2007 (PS: 2 Folien pro Seite) Woche 17 / 2007 (PDF) Woche 18 / 2007 (PDF) Woche 19 / 2007 (PDF) Woche 20 / 2007 (PDF) Woche 23 / 2007 (PDF) Woche 24 / 2007 (PDF) Woche 25_1 / 2007 (PDF) Woche 25_2 / 2007 (PDF) Woche 26_1 / 2007 (PDF) Woche 26_2 / 2007 (PDF) Woche 28_1 / 2007 (PDF) Woche 28_2 / 2007 (PDF)
Übungen	Web-Seite zu der Übung
Periodizität	regelmäßig
Eignung	Geeignet für Lehramtsstudierende, Nebenfachstudierende, Bioinformatikstudierende.
Stichworte	Üerwachtes Lernen, Funktionsapproximation, Dimensionsreduktion, Statistische Methoden, Markov-Decision-Processes, Reinforcement-Lernen, Dynamische Programmierung, Strategien-Lernen