Informationen zu den Übungen und der Vorlesung Maschinelles Lernen und künstliche Intelligenz aus stochastischer Sicht (SS2017)
Tuesday, 14-16, HS II, Albertstr. 23b
This lecture could be in English on request.
Diese Vorlesung befasst sich mit Künstlicher Intelligenz und verschiedenen Ansätzen zu maschinellen Lernen. Angestrebt wird ein tieferes Verständnis der Vorgehensweise und eine Beleuchtung der Ansätze aus statistischer und probabilistischer Sicht. Insbesondere wird uns interessieren, bei welchen Fragestellungen aus der Statistk und Finanzmathematik die neuen Methodiken gewinnbringend zum Einsatz kommen können und bei welchen klassische Ansätze (noch ?) im Vorteil sind.
Die Vorlesung setzt Kenntnisse in Stochastik voraus, Wahrscheinlichkeitstheorie ist wünschenswert aber nicht zwingend. Die finanzmathematischen Anwendungen werden zudem kurz erläutert, so dass auch hier keine großen Voraussetzungen gemacht werden.
Es ist angestrebt, einige Projekte in R in den Übungen umzusetzen.
ECTS-Punkte: | 6 Punkte |
Verwendbarkeit: | Angewandte Mathematik ; Kategorie III |
Notwendige Vorkenntnisse: | Stochastik, Teile 1 und 2 |
Folgeveranstaltungen: | Stochastische Prozesse, Stochastische Integration und Finanzmathematik |
Studien-/Prüfungsleistung: | Die Anforderungen an Studien- und Prüfungsleistungen entnehmen Sie bitte dem aktuellen Modulhandbuch Ihres Studiengangs. |
Folien
Die Folien werden Montags abends zur Verfügung gestellt. The files can also be found on GITHUB.
Lecture 2: Regression, Logistic Regression and Classification
Lecture 3: Support Vector Machines
R-Exercise: Support Vector Machines
Lecture 4: Support Vector Machines and Classification and Regression Trees (CART)
R-Exercise: Titanic Classification
Lecture 5: Bagging, Bumping, and Boosting as well as Random Forests
Lecture 6: Deep Neural Networks I
Lecture 7: Deep Neural Networks II
Lecture 8: Approximate Dynamic Programming I (Reinforcement Learning)
Lecture 9: Approximate Dynamic Programming II
Lecture 10: Bayesian Optimization
The R-Exercise on the MNIST Database with Deep Neural Networks can be found in GITHUB.
Übungen
Die Übungen finden immer Montags von 08-10 Uhr in Raum 218 in der Eckerstr. 1 statt.
Sie müssen folgende Voraussetzungen erfüllen:
- regelmäßige aktive Teilnahme am wöchentlichen Tutorat bei maximal zweimaligem Fehlen
- Mindestens 50% der erreichbaren Punkte der Übungsaufgaben
Die Übungszettel werden Dienstags hier zur Verfügung gestellt:
Übung 4 beste Ziffernklassifikation von Team Siri
Software
Statistikpaket R
Das Statistikpaket R kann man über einen der weltweit verteilten CRAN-Server (Comprehensive R Archive Network) beziehen. Die offizielle Homepage des R-Projektes ist www.r-project.org.Grafische Benutzeroberfläche: RStudio
Zusätzlich zum eigentlichen Statistikpaket R wird empfohlen die grafische Benutzeroberfläche RStudio zu benutzen.
DOWNLOAD von R-StudioDas R Skriptum von 2017 kann als Referenz genutzt werden. download
Literature (incomplete, but growing):
- Ian Goodfellow, Yoshua Bengio und Aaron Courville (2016). Deep
Learning. http://www.deeplearningbook.org. MIT Press - D. Barber (2012). Bayesian Reasoning and Machine Learning.
Cambridge University Press - Richard S. Sutton und Andrew G. Barto (1998). Reinforcement
Learning : An Introduction. MIT Press - Gareth James u. a. (2014). An Introduction to Statistical Learning:
With Applications in R. Springer Publishing Company, Incorporated. - Thorsten Schmidt, R Skriptum, 2017