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)

• Kaggle