Uni-Logo
Sections
You are here: Home › Studium und Lehre › Sommersemester 2017 › Vorlesung Maschinelles Lernen und künstliche Intelligenz
Document Actions

Informationen zu den Übungen und der Vorlesung Maschinelles Lernen und künstliche Intelligenz aus stochastischer Sicht (SS2017)

Tuesday, 14-16,  HS II, Albertstr. 23b

This lecture could be in English on request.

Diese Vorlesung befasst sich mit Künstlicher Intelligenz und verschiedenen Ansätzen zu maschinellen Lernen. Angestrebt wird ein tieferes Verständnis der Vorgehensweise und eine Beleuchtung der Ansätze aus statistischer und probabilistischer Sicht. Insbesondere wird uns interessieren, bei welchen Fragestellungen aus der Statistk und Finanzmathematik die neuen Methodiken gewinnbringend zum Einsatz kommen können und bei welchen klassische Ansätze (noch ?) im Vorteil sind.

Die Vorlesung setzt Kenntnisse in Stochastik voraus, Wahrscheinlichkeitstheorie ist wünschenswert aber nicht zwingend. Die finanzmathematischen Anwendungen werden zudem kurz erläutert, so dass auch hier keine großen Voraussetzungen gemacht werden.

Es ist angestrebt, einige Projekte in R in den Übungen umzusetzen.

ECTS-Punkte:  

6 Punkte

Verwendbarkeit:  

Angewandte Mathematik ; Kategorie III

Notwendige Vorkenntnisse:  

Stochastik, Teile 1 und 2

Folgeveranstaltungen:  

Stochastische Prozesse, Stochastische Integration und Finanzmathematik

Studien-/Prüfungsleistung:  

Die Anforderungen an Studien- und Prüfungsleistungen entnehmen Sie bitte dem aktuellen Modulhandbuch Ihres Studiengangs.

 

Folien

 
Die Folien werden Montags abends zur Verfügung gestellt. The files can also be found on GITHUB.

Lecture 1

Lecture 2: Regression, Logistic Regression and Classification

R-Exercise: Classification

Lecture 3: Support Vector Machines

R-Exercise: Support Vector Machines

Lecture 4: Support Vector Machines and Classification and Regression Trees (CART)

R-Exercise: Titanic Classification

Lecture 5: Bagging, Bumping, and Boosting as well as Random Forests

Lecture 6: Deep Neural Networks I

Lecture 7: Deep Neural Networks II

Lecture 8: Approximate Dynamic Programming I (Reinforcement Learning)

Lecture 9: Approximate Dynamic Programming II

Lecture 10: Bayesian Optimization

The R-Exercise on the MNIST Database with Deep Neural Networks can be found in GITHUB.

Übungen

 

Die Übungen finden immer Montags von 08-10 Uhr in Raum 218 in der Eckerstr. 1 statt.

Sie müssen folgende Voraussetzungen erfüllen:

  • regelmäßige aktive Teilnahme am wöchentlichen Tutorat bei maximal zweimaligem Fehlen
  • Mindestens 50% der erreichbaren Punkte der Übungsaufgaben

 

Die Übungszettel werden Dienstags hier zur Verfügung gestellt:

Übung 1

Übung 2

Übung 3  (R-Exercise)

Übung 4  beste Ziffernklassifikation von Team Siri

Übung 5

Übung 6

Übung 7

Übung 8

Übung 9

Übung 10

Software

 

  • Statistikpaket R

    Das Statistikpaket R kann man über einen der weltweit verteilten CRAN-Server (Comprehensive R Archive Network) beziehen. Die offizielle Homepage des R-Projektes ist www.r-project.org.

  • Grafische Benutzeroberfläche: RStudio

    Zusätzlich zum eigentlichen Statistikpaket R wird empfohlen die grafische Benutzeroberfläche RStudio zu benutzen.

    DOWNLOAD von R-Studio

  • Das R Skriptum von 2017 kann als Referenz genutzt werden. download

 

Literature (incomplete, but growing):

  • Ian Goodfellow, Yoshua Bengio und Aaron Courville (2016). Deep
    Learning. http://www.deeplearningbook.org. MIT Press
  • D. Barber (2012). Bayesian Reasoning and Machine Learning.
    Cambridge University Press
  • Richard S. Sutton und Andrew G. Barto (1998). Reinforcement
    Learning : An Introduction. MIT Press
  • Gareth James u. a. (2014). An Introduction to Statistical Learning:
    With Applications in R. Springer Publishing Company, Incorporated.
  • Thorsten Schmidt, R Skriptum, 2017


     

 
Personal tools