Studium

192
Teilnahmepflicht

Wenn eine Veranstaltungsinstanz aus einer Schablone erstellt wird, befindet sie sich in diesem Zustand.

  • Die Daten sind in der Regel noch nicht vollständig und es kann noch alles bearbeitet werden.
  • Dozenten und Sekretariate können den Zuständ auf Bearbeitet setzen.

Machine learning, oder auch übergreifend künstliche Intelligenz, ist heutzutage allgegenwärtig. Explizit oder implizit umgibt es uns, steckt hinter allem, vom Smartphone und sozialen Netzwerken bis hin zu autonomen Fahrzeugen. Grundlegend beschäftigt sich Machine learning damit, nach Mustern in Datenmengen zu suchen bzw. diese zu generieren. Obwohl es traditionell als Zweig der Informatik gesehen wird, basiert Machine learning stark auf einem mathematischen Fundament. Es ist daher in unserem Seminar das primäre Ziel, dieses mathematische Fundament zu verstehen, indem wir hauptsächlich der Veröffentlichung von Bishop (2006) folgend, die beiden komplementären Sichtweisen verbinden: die deterministische und die probalistische. In diesem Semester wird der Schwerpunkt auf künstlichen neuralen Netzwerken liegen, sowie grafischen Modellen und dem Latent-Variables-Ansatz. Die genannten Methoden in Machine Learning werden heute umfassend genutzt und doch gehören sie nach wie vor zu den Bereichen aktiver Forschung.

Homepage: http://www.mi.fu-berlin.de/en/math/groups/hysteresis/teaching/machine-learning2.html

Machine learning or, more generally, artificial intelligence is nowadays ubiquitous. Explicitly or implicitly, it surrounds us, hiding behind anything, ranging from smartphones and social networks to self-driving vehicles. Machine learning deals with searching for and generating patterns in data. Although it is traditionally considered a branch of computer science, it heavily relies on mathematical foundations. Thus, it is the primary goal of our seminar to understand these mathematical foundations. In doing so, we will mainly follow the classical monograph [Bischop, 2006] and combine the two complementary viewpoints: deterministic and probabilistic. In this semester, we will focus on artificial neural networks, graphical models, and latent variables approach. All these machine learning methods are widely used nowadays and still belong to the fields of active research.

Homepage: http://www.mi.fu-berlin.de/en/math/groups/hysteresis/teaching/machine-learning2.html

Sprachübergreifend

Werdende Mütter

Keine Gefährdungen vorliegend
Teilweise Gefährdungen vorliegend
Alternative Lehrveranstaltung
Gefährdungen vorliegend
Mutterschutzbogen anzeigen

Stillende Mütter

Keine Gefährdungen vorliegend
Teilweise Gefährdungen vorliegend
Alternative Lehrveranstaltung
Gefährdungen vorliegend
Mutterschutzbogen anzeigen