|
Lehrende: PD Dr. Kersten Schmidt; M.Sc. Arne Berrens; M.Sc. Selina Drews
Veranstaltungsart:
Vorlesung und Übung
Orga-Einheit: FB04 Mathematik
Anzeige im Stundenplan:
04-10-0598-vu
Fach:
Anrechenbar für:
Semesterwochenstunden:
6
Unterrichtssprache:
Deutsch
Min. | Max. Teilnehmerzahl:
- | -
Lehrinhalte:
Lineare Gleichungssysteme und Ausgleichsrechnung, lineare Regression, Eigenwert- und Singulärwertzerlegung, Hauptkomponentenanalyse, Bayessche Statistik, Ridge Regression, Dimensionsreduktion, Niedrigrang-Approximation, nichtlineare Ausgleichs- und Minimierungsprobleme, Newton-Verfahren, nichtlineare Regression, LASSO, Regularisierungen, Interpolation und numerische Integration, Funktionsapproximation, radiale Basisfunktionen, Monte-Carlo Verfahren, Netzwerke für Regression, Faltungsnetzwerke, Training von Netzwerken, Deep Learning
Literatur:
Ethem Alpaydin: Maschinelles Lernen, de Gruyter Studium, 2019;
Gilbert Srang: Linear Algebra and Learning from Data, Wellesley Cambridge Press, 2019;
Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer , 2008
Voraussetzungen:
Mathematik I-III empfohlen
Online-Angebote:
moodle
|
