| Vorlesung | V2 |
| Termin: | donnerstags, 16:15 – 17:55 Uhr |
| Ort: | S306/053 |
| Sprache: | Deutsch |
| Dozent: | Dr.-Ing. Michael Vogt |
| ECTS: | 3CP |
Im SoSe 2025 findet die Veranstaltung hybrid statt. Die wesentlichen Inhalte werden vorab als Videos verteilt, alle 2 Wochen gibt es einen Präsenztermin zur Wiederholung und Vertiefung. Weitere Informationen folgen in Moodle.
| Prüfung | |
| Ansprechpartner: | Dr.-Ing. Michael Vogt |
| Prüfungsform: | Klausur, 90 min. (optional mündlich) |
| Erlaubte Hilfsmittel: | Keine |
| Weitere Informationen: | siehe TUCaN |
Inhalt
- Konzepte des Machine Learning
- Lineare Verfahren
- Support Vector Machines
- Bäume und Ensembles
- Training und Bewertung
- Unüberwachtes Lernen
- Neuronale Netze und Deep Learning
- Faltende Neuronale Netze (CNNs)
- CNN-Anwendungen
- Rekurrente Neuronale Netze (RNNs)
Lernziele
Studierende erhalten einen breiten und praxisnahen Überblick über das Gebiet des maschinellen Lernens. Es werden zunächst die wichtigsten Algorithmen-Klassen des überwachten und unüberwachten Lernens besprochen. Danach befasst sich die Veranstaltung mit tiefen neuronalen Netzen, die viele aktuelle Anwendungen der Bild- und Signalverarbeitung ermöglichen. Die grundlegenden Eigenschaften aller Algorithmen werden erarbeitet und anhand von Programmbeispielen demonstriert. Studierende sind danach in der Lage, die Verfahren zu beurteilen und auf praktische Aufgabenstellungen anzuwenden.
Unterlagen und allgemeine Literaturhinweise
- T. Hastie et al.: The Elements of Statistical Learning. 2. Aufl., Springer, 2008
- I. Goodfellow et al.: Deep Learning. MIT Press, 2016
- A. Géron: Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. 2. Aufl., O’Reilly, 2019
