Einführung in das maschinelle Lernen
Maschinelles Lernen und künstliche Intelligenz spielen mittlerweile in vielen Wissenschaftsbereichen von der Astronomie bis zur Psychatrie eine Rolle. Die interdisziplinär angelegte Vorlesung soll als erste Einführung in die Methoden des maschinellen Lernens und ihrer Anwendung in der Wissenschaft dienen.
Kontakt
Dr. O. Kamps, PD. Dr. S. Gurevich
Tel.: +49 251 83-34924
E-Mail: okamp(at)uni-muenster.de
Termine und Raum
Blockveranstaltung
16.09.2024 - 20.09.2024
in Raum KP/TP 304
Zeitplan Mo- Fr 9.15 - 10:45 Vorlesung 10:45 - 11:15 Pause 11:15 - 12:00 Vorlesung 12:00 - 12:15 Pause 12:15-13:00 Vorlesung
Inhalt, Literatur und Voraussetzungen
Inhalt der Vorlesung
- Einführung in das maschinelle Lernen -- Allegemeine Konzepte, Begriffe, Herausforderungen und Probleme
- Regression, Naive-Bayes, Support Vector Machines, Principal Component analysis, Clustering, ...
- Neuronale Netze und Deep Learning
- Reinforcement learning
- Anwendung des maschinellen Lernens mit Python auf Beispiele aus verschiedenen Wissenschaftsbereichen
Literatur
Die Vorlesung basiert hauptsächlich auf den folgenden Quellen (
- A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems
- M. Nielsen, Neural Networks and Deep Learning, http: //neuralnetworksanddeeplearning.com
- Christopher M. Bishop, Pattern Recognition and Machine Learning
- R. S. Sutton and A. G. Barto, Reinforcement Learning: An Introduction
- A. Burkov, The Hundred-Page Machine Learning Book
- P. Mehta et. al., A high-bias, low-variance introduction to Machine Learning for physicists, arXiv:1803.08823 (2019)
In der Vorlesung wird noch eine umfangreichere Übersicht über die Literaur gegeben.
Voraussetzungen
Zum Verständnis der Algorithmen
- Etwas lineare Algebra
- Ableitungen in einer und mehreren Dimensionen
Zur Umsetzung der Methoden
- Elementare Programmierkentnisse in Python
Bei der Umsetzung werden folgende Bibliotheken verwendet (Für alle Betriebssysteme verfügbar)
- Zur Umsetzung benutzen wir Scikit-learn, Tensorflow 2.0 (Keras) oder Pytorch und für fortgeschrittenes reinforcement learning gym
- Hilreich ist Jupyter Notebook was auch als Onlineversion der WWU zur Verfügung steht jupyterhub
Alternativ (alles online, d.h. nichts muss installiert werden + große Rechnerressourcen)
Materialien zur Vorlesung
Die Materialien zur Vorlesung stehen im Learnwerb zur Verfügung: