PDF

MODULBESCHREIBUNG

Statistical Machine Learning

Kurzzeichen:
M_ML
Durchführungszeitraum:
HS 2018 - HS 2018
ECTS-Punkte:
4
Lernziele:

The goal is to enable the students to understand the fundamental statistical machine learning algorithms for diverse datasets. To this end, the theory of these algorithms is developed in the lectures and during the practice sessions, many such data sets are analyzed.

Verantwortliche Person:
Guido Schuster
Empfohlene Module:
-
Zusätzlich vorausgesetzte Kenntnisse:
  • Since this module is taught in English, a reasonable command of the English language is required
  • Fundamental knowledge of linear algebra, multivariable calculus and probability theory is required to be able to follow the lectures
  • The book is available online for free: http://www-bcf.usc.edu/~gareth/ISL/
  • Please browse through the book to get an understanding of the complexity of the material covered in this module
Modultyp:
Standard-Modul für Elektrotechnik (Bachelor 14) (Keine Semester Empfehlung)
Standard-Modul für Informatik (Bachelor 11) (Keine Semester Empfehlung)
Standard-Modul für Informatik (Bachelor 14) (Keine Semester Empfehlung)
Standard-Modul für Data Engineering & Machine Intelligence (Bachelor 14)

ECTS-Punkte pro Kategorie

Kategorie:
Elektrotechnik (Bachelor 14)
Aufbau Elektrotechnik / 4 Punkte
Technik / 4 Punkte
Informatik (Bachelor 11)
Aufbau Informatik / 4 Punkte
Informatik (Bachelor 14)
Grundlagen Informatik und Aufbau Informatik / 4 Punkte
Data Engineering & Machine Intelligence (Bachelor 14)
Kernmodule Informatik Profile / 4 Punkte

Modulbewertung

Bewertungsart:
Note von 1 - 6

Leistungsbewertung

Während der Prüfungssession:
Schriftliche Prüfung, 120 Minuten
Zulassungsbedingungen zur Prüfung:

Testat


Während des Semesters:
 
Bewertungsart:
keine Note oder Wertung

Kurse in diesem Modul

Statistical Machine Learning

Kürzel:
ML
Lernziele:

Knowledge of the statistical machine learning approaches for diverse data sets and the ability to apply the appropriate algorithm for successfully solving a given machine learning problem.

Plan und Lerninhalt:
  • Linear regression
  • Classification
  • Resampling Methods
  • Linear Model Selection and Regularization
  • Moving Beyond Linearity
  • Tree-Based Methods
  • Support Vector Machines
  • Unsupervised Learning

The module is based on the excellent and freely available book: "An Introduction to Statistical Learning" from Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani.

Kursart:
Vorlesung mit 2 Lektionen pro Woche
Praktikum mit 2 Lektionen pro Woche
Beschreibung erzeugt: 2018-12-14 12:01:03
Letzte Moduländerung: 2018-02-07 11:26:13
Modul-Id: 31838 (Vorgänger)
Status: aktiviert