Vorlesungsverzeichnis

Suchen Sie hier über ein Suchformular im Vorlesungsverzeichnis der Leuphana.

Veranstaltungen von Prof. Dr. Ulf Brefeld


Lehrveranstaltungen

Forschungskolloquium Wirtschaftsinformatik & Data Science (Kolloquium)

Dozent/in: Ulf Brefeld, Paul Drews, Burkhardt Funk, Peter Niemeyer, Lin Xie

Termin:
14-täglich | Donnerstag | 16:15 - 17:45 | 17.10.2022 - 03.02.2023 | C 4.111 | .

Inhalt: Im Kolloquium stellen Promovierende, Mitglieder des Instituts und externe Gäste Ihre Forschungsvorhaben vor.

Advanced Machine Learning (Vorlesung)

Dozent/in: Ulf Brefeld

Termin:
wöchentlich | Donnerstag | 10:15 - 11:45 | 17.10.2022 - 03.02.2023 | C 12.013 | kreidetafel und Beamer erforderlich!

Inhalt: The course deals with advanced topics in machine learning and information retrieval and focus on techniques that exceed the standard supervised learning setting (e.g., discriminating positive and negative classes). Possible topics include intelligent retrieval, recommendation, text mining, sequential learning, graphical models, clustering, semi-supervised learning, etc.

Machine Learning Lab (Seminar)

Dozent/in: Ulf Brefeld

Termin:
wöchentlich | Dienstag | 14:15 - 15:45 | 17.10.2022 - 03.02.2023 | C 1.312 | Kreidetafel und Beamer erforderlich!

Inhalt: Address a learning task in a data-driven fashion. After reviewing related work, you'll formalize the problem, derive an appropriate method to solve it, implement the method, define an experimental setup and identify relevant baselines and empirically evaluate your approach. The learning task can be arbitrarily defined. We provide fallback problems but bringing your own idea(s) and/or data is more than welcome! The final report may have the form of a research paper. We'll have milestones where progress is reported in short presentations.

Maschinelles Lernen und Data Mining (Vorlesung)

Dozent/in: Ulf Brefeld, Samuel Fadel

Termin:
wöchentlich | Montag | 08:15 - 09:45 | 17.10.2022 - 03.02.2023 | C 12.006 | ..

Inhalt: Im Modul werden die Grundbegriffe des Lernens aus Daten eingeführt. Unterschiedliche Techniken des überwachten und unüberwachten maschinellen Lernens und Data Mining werden hergeleitet und ihre Eigenschaften besprochen. Beispiele sind theoretische/empirische Risikominimierung, Entscheidungsbäume, Random Forests, Regularisierung, Perzeptron, Multilayer Netzwerke, Support Vector Machines, k-means, probabilistische Clustering-Verfahren mittels Expectation Maximization. Weitere Themen sind Experimentalaufbau, Interpretation der Ergebnisse, Kommunikation der Ergebnisse, z.B. Kreuzvalidierung sowie nichtlineare Merkmalsgenerierung, z.B. mittels Kernfunktionen.

Masterforum (Kolloquium)

Dozent/in: Ulf Brefeld

Termin:
Einzeltermin | Mi, 02.11.2022, 10:15 - Mi, 02.11.2022, 14:45 | C 16.124 | .
Einzeltermin | Mi, 30.11.2022, 10:15 - Mi, 30.11.2022, 14:45 | C 16.124 | .
Einzeltermin | Mi, 25.01.2023, 10:15 - Mi, 25.01.2023, 14:45 | C 16.124 | .

Seminar Maschinelles Lernen (Seminar)

Dozent/in: Ulf Brefeld

Termin:
wöchentlich | Freitag | 10:15 - 11:45 | 17.10.2022 - 03.02.2023 | C 4.215 | kreidetafel und Beamer erforderlich!

Inhalt: A seminar about machine learning. Topics include state-of-the-art algorithms (e.g., kernel machines, decision trees, neural networks etc.), learning scenarios (e.g, unsupervised, semi-supervised), types of data (sequential data, tree-structured data), etc. We also discuss state-of-the-art applications.

Statistik für Wirtschaftsinformatiker/innen (Vorlesung)

Dozent/in: Ulf Brefeld, Eraldo Luis Rezende Fernandes

Termin:
wöchentlich | Dienstag | 10:15 - 11:45 | 17.10.2022 - 03.02.2023 | C HS 1 (Umbau HS-Gang bis 31.12.22) S. Kommentar | .

Inhalt: • Grundlagen Analysis • Differential- und Integralrechnung • Grundlagen Statistik • Einführung in die Wahrscheinlichkeitstheorie • Zufallsvariablen und Wahrscheinlichkeitsverteilungen • Parametertests • Konfidenzintervalle • Hypothesentests

KI-Projekt (Seminar)

Dozent/in: Ulf Brefeld

Termin:
wöchentlich | Donnerstag | 14:15 - 16:45 | 17.10.2022 - 03.02.2023 | C 11.308 (Aufzugsanierung KW 36-39)

Inhalt: Wir werden in dem Projekt Methoden aus der Vorlesung ‚Einführung in die Künstliche Intelligenz‘ anwenden, um exemplarische Problemstellungen zu lösen. Dazu soll die gesamte Verarbeitungspipeline bearbeitet werden, von der Merkmalsextraktion bis hin zu empirischen Evaluierungen.