MAT-441

In der Vorlesung werden die wahrscheinlichkeitstheoretischen Grundlagen des maschinellen Lernen vorgestellt. Hierbei sollen Algorithmen aufgrund eines Trainingsdatensatzes möglichst gute Vorhersagen für neue Datenpunkte treffen. Aufbauend auf der Theorie des PAC-Lernmodells (Probably Approximately Correct Learning) werden mit Methoden der nichtparametrischen Statistik Aussagen über die Fehlerrate der vom Algorithmus gelieferten Hypothese für verschiedene Anwendungen hergeleitet. Dazu zählen z.B. Halbräume, Regressionsmodelle, Support-Vector Maschinen und Kernel-Methoden. Die Übungen befassen sich mit der Einübung der Verfahren und werden z.T. durch rechnerbasierte Anwendungen ergänzt.

Die Studierenden beherrschen die Grundlagen des statistischen Lernens und Methoden zur Analyse des Fehlers in verschiedenen Anwendungsbeispielen.

Benotete Modulprüfung.

Als Zulassungsvoraussetzung ist folgende Studienleistung zu erbringen:

Regelmäßige erfolgreiche Bearbeitung der Übungsaufgaben und aktive Teilnahme an den Übungen. Details werden durch die jeweilige Dozentin / den jeweiligen Dozenten in der Veranstaltungsankündigung bekannt gemacht.

Modulprüfung: mündliche Prüfung (ca. 30 Minuten)

Kenntnisse von Stochastik I und Analysis III werden vorausgesetzt.

1. Wahlpflichtmodul für Bachelor Mathematik, Bachelor Technomathematik, Bachelor Wirtschaftsmathematik, Master Mathematik, Master Technomathematik, Master Wirtschaftsmathematik
2. Angewandte Mathematik
3. Wirtschaftsmathematisches Modul