Machine Learning (SS 2024)
Dozent: Prof. Dr. Thorsten Schmidt
Assistenz: Moritz Ritter
In dieser Vorlesung beschäftigen wir uns mit den mathematischen Grundlagen von maschinellem Lernen. So lernen wir z.B. das Universal Approximation Theorem kennen - eines der meistzitierten Resultate in diesem Feld, was in seiner Geschichte bis auf Kolmogorov zurückreicht. Darüber hinaus werden wir uns in die aktuelle Forschung auf diesem Gebiet begeben und versuchen zu verstehen, wieso ML eigentlich so gut funktioniert. Bayesianische Aspekte, Reinforcement Learning, Fairness und Anwendungen in Finanz- und Versicherungsmathematik sind weitere Themen mit denen wir uns beschäftigen werden.
Zudem soll die praktische Komponente nicht zu kurz kommen - es werden eine Reihe von Beispielen vorgestellt und Sie werden auch selbst einige Aufgaben in Python implementieren.
This lecture could also be in English.
Termin: Do 12-14, R 404, Ernst-Zermelo-Straße 1,
Fr 10-12, HS II, Albertstr. 23b
Übungen: Mittwoch 10-12 Uhr, SR 226, Hermann-Herder-Str. 10
Aktuelles
Am Freitag, den 31.05. findet keine Vorlesung statt.
Die neuen Slides und erste Python Beispiele gibt es auf github:
Übungen
Das erste Tutorat findet am Montag, den 29. April 14-16 (SR226), statt. Ab dann wöchentlich Mittwochs.
Die Abgabe der Übungsblätter in den Briefkasten 3.15. im Mathematischen Institut ist Freitags bis 18:00 Uhr (online nach Absprache).
- Übungsblatt 1
- Übungsblatt 2 mit Datensatz
- Übungsblatt 3
- Übungsblatt 4
- Übungsblatt 5
- Projektorganisation und Vorschläge
- Vorlesungsfolien Optimal Transport
Literatur
Für den praktischen Teil empfehle ich zB. das Buch von Francois Chollet: Deep Learning with Python. Die Notebooks sind frei verfügbar: Github.
Notwendige Vorkenntnisse
Grundkenntnisse in Stochastik, Analysis und Linearer Algebra reichen aus, alles weitere wird in der Vorlesung entsprechend vorgestellt.
Sprechstunden
Sprechstunde Dozent: nach vorheriger Absprache per Mail
Sprechstunde Assistent: nach vorheriger Absprache per Mail