Lehrende/r: Univ.-Prof. Dr. Michael Wand
Veranstaltungsart: Vorlesung/Übung
Anzeige im Stundenplan: 08.079.318
Semesterwochenstunden: 4
Credits: 6,0
Unterrichtssprache: Deutsch
Min. | Max. Teilnehmerzahl: - | -
Voraussetzungen / Organisatorisches: Die Vorlesung setzt formal die Inhalte von Modelierung 1 voraus, aber gute Kenntnisse in Mathematik (Nebenfach oder Hauptfach Mathematik/Physik) sind i.d.R. ebenfalls ausreichend. Vorkenntnisse in maschinellem Lernen und/oder Computer Vision sind sehr hilfreich, aber nicht zwingend erforderlich (wir starten, falls nötig, mit einer Kurzeinführung).
Inhalt: Während der erste Teil (Modellierung I) sich vor allem elementare Methoden (größtenteils auf Basis linearer Modelle) angeschaut hat, geht es nun darum, wie man statistische Informationen aus Daten extrahieren kann. Dabei steht methodisch vor allem das Lernens mit "tiefen Netzwerken" im Mittelpunkt. Konzeptionell dreht es sich um die Frage der Generalisierung: Wie und wann kann man aus Beispielen überhaupt verallgemeinern? Insbesondere ist immer noch Gegenstandt aktueller Forschung, warum tiefe Netzwerke so gut funktionieren (d.h., so gut generalisieren). Gegen Ende der Veranstaltung werden wir einige Ansätze sehen, mit denen man sich diesen Fragen nähern kann. Die Veranstaltung setzt zwar keine Vorkenntnisse in maschinellem Lernen voraus, die Einführung in die Grundbegriffe wird aber kompakt gehalten und methodische Themen sind komplementär zu der Grundvorlesung "Machine Learning" ausgelegt. Behandelt werden u.a. die folgenden Inhalte: 1 Grundlagen
Empfohlene Literatur: Weitere Literatur ist in der Webseite der Vorlesung angegeben.
Zusätzliche Informationen: Wichtig: Die Veranstaltung wird (teilweise) als "blended-learning" Veranstaltung durchgeführt. Hierzu sollten Sie unbedingt die weiteren Informationen auf der Webseite der Veranstaltung unter https://luna.informatik.uni-mainz.de/mod2-23/ durchlesen. Hier finden Sie auch bereits (fast) alle Vorlesungsvideos und weitere Angaben zu Organisation, Literatur und Hintergründen. Auf der Webseite finden Sie auch eine Anleitung, wie Sie sich beim Mattermost-Team der Veranstaltung anmelden können (dies sollten Sie unbedingt tun, falls Sie teilnehmen möchten).