Vorlesungsverzeichnis

Suchen Sie hier über ein Suchformular im Vorlesungsverzeichnis der Leuphana.

Start > Masterprogramm Management (M.A./M.Sc.) -> Management & Engineering (ab Studienbeginn WS 19/20) -> Maschinelles Lernen und Data Mining

Lehrveranstaltungen

Maschinelles Lernen und Data Mining (Vorlesung)

Dozent/in: Ulf Brefeld

Termin:
 wöchentlich | Donnerstag | 10:15 - 11:45 | 12.10.2020 - 29.10.2020 | C 14.001 Seminarraum
wöchentlich | Donnerstag | 10:15 - 11:45 | 05.11.2020 - 26.11.2020 | Online-Veranstaltung
wöchentlich | Donnerstag | 10:15 - 11:45 | 03.12.2020 - 29.01.2021 | C 14.001 Seminarraum

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.

Maschinelles Lernen und Data Mining (Übung) (Übung)

Dozent/in: Sebastian Mair

Termin:
 wöchentlich | Dienstag | 12:15 - 13:45 | 12.10.2020 - 29.01.2021 | Online-Veranstaltung | Kreide-Tafel und Beamer erforderlich

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.