Maschinelles Lernen 2 - Fortgeschrittene Verfahren
- Type: Vorlesung (V)
- Semester: SS 2016
-
Time:
22.04.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
29.04.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
06.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
13.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
20.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
27.05.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
03.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
10.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
17.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
24.06.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
01.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
08.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
15.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
22.07.2016
09:45 - 11:15 wöchentlich
50.34 Raum -101 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
-
Lecturer:
Prof. Dr. Rüdiger Dillmann
Prof.Dr.-Ing. Johann Marius Zöllner
Stefan Ulbrich - SWS: 2
- Lv-No.: 24620
Voraussetzungen | Empfehlungen: Der Besuch der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist sehr hilfreich beim Verständnis der Vorlesung. |
Beschreibung |
Das Themenfeld maschineller Entscheidungs- und Inferenzverfahren unter Berücksichtigung von Unsicherheiten bzw. unvollständiger Wissen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. Der Schwerpunkt dieser Vorlesung liegt in der Einbettung und Anwendung von maschinell lernenden Verfahren in Entscheidungs- und Inferenzsystemen beginnend bei Methoden der Dimensionsreduktion, Merkmalsselektion/-bewertung über semi-überwachtes Lernen (semi-supervised learning) hin zu Methoden der probabilistischen Inferenz (wie z.B. Dempster Shafer Informationsfusion, Dynamischen und objektorientierte Bayessche Netze, POMDP, etc). Die Vorlesung führt in die Grundprinzipien sowie Grundstrukturen ein und erläutert bisher entwickelte Algorithmen. Der Aufbau sowie die Arbeitsweise der Verfahren und Methoden werden anhand einiger Anwendungsszenarien, insbesondere aus dem Gebiet technischer (teil-)autonomer Systeme vorgestellt und erläutert. |
Literaturhinweise |
Die Foliensätze sind als PDF verfügbar. Weiterführende Literatur
|
Lehrinhalt | Das Themenfeld Maschinelle Intelligenz und speziell Maschinelles Lernen unter Berücksichtigung realer Herausforderungen komplexer Anwendungsdomänen ist ein stark expandierendes Wissensgebiet und Gegenstand zahlreicher Forschungs- und Entwicklungsvorhaben. |
Arbeitsbelastung | Vorlesung mit 2 SWS, plus Nachbereitung durch die Studierenden. |
Ziel |
|
Prüfung | Die Erfolgskontrolle wird in der Modulbeschreibung erläutert. |