Diplomstudiengänge der Fakultät IV (Elektrotechnik ... - TU Berlin
Diplomstudiengänge der Fakultät IV (Elektrotechnik ... - TU Berlin
Diplomstudiengänge der Fakultät IV (Elektrotechnik ... - TU Berlin
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Diplomstudiengänge</strong> <strong>der</strong> <strong>Fakultät</strong> <strong>IV</strong><br />
(<strong>Elektrotechnik</strong>, Informatik, Technische Informatik)<br />
Assessment will be by homework and mini projects including short presentations of<br />
methods and results.<br />
The lecture should be of interest to students in computer science, mathematics, statistics,<br />
physics and engineering.<br />
Nachweis Prüfungsäquivalente Studienleistungen:<br />
70% Inhalt des Vortrags (Theorie und Resultate <strong>der</strong> Projekte)<br />
30% Darstellung (Vortragsgestaltung)<br />
Voraussetzung Vorausgesetzt werden Grundkenntnisse in Mathematik (Lineare Algebra, Analysis,<br />
Stochastik) sowie Programmierkenntnisse. Diese werden z. B. in den Vorlesungen<br />
Lineare Algebra für Ingenieure, Analysis I + II für Ingenieure und Stochastik für<br />
Informatiker <strong>der</strong> Bachelor-Studiengänge Informatik und Technische Informatik<br />
vermittelt.<br />
Literatur * Information Theory, Inference, and Learning Algorithms, David J C MacKay,<br />
Cambridge University Press.<br />
* Pattern Recognition and Machine Learning, Christopher M. Bishop,Springer, 2006.<br />
Maschinelles Lernen - Theorie und Anwendung<br />
0434 L 503, Integrierte LV (VL mit UE), 4.0 SWS<br />
Di, wöchentl, 10:00 - 14:00, 11.04.2011 - 15.07.2011, FR 1002<br />
Inhalt In dieser Vorlesungen werden weiterführende Themen des Maschinellen Lernens<br />
behandelt. Ein beson<strong>der</strong>er Schwerpunkt wird auf die Anwendung gelegt werden. Mehrere<br />
erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen, und auf die<br />
jeweiligen Beson<strong>der</strong>heiten wird eingegangen. Beispiele sind Brain-Computer-Interfaces,<br />
Bioinformatik, Erkennen von Angriffen in Computernetzwerken und Textmining.<br />
Bemerkung Vorausgesetzt werden Kenntnisse des Maschinellen Lernens (z.B. Vorlesung ML I) und<br />
gute Mathematik- und Programmier-Kenntnisse.<br />
Basisveranstaltung im Studiengebiet KI<br />
Matlab Programmierung für Maschinelles Lernen und Datenanalyse<br />
0434 L 544, Kurs, 2.0 SWS<br />
Block, 10:00 - 16:00, 04.04.2011 - 06.04.2011, FR 6043<br />
Fr, Einzel, 10:00 - 11:00, 08.04.2011 - 08.04.2011<br />
Inhalt Der Kurs gibt eine Einführung in die Matlab-Programmierung. Der Schwerpunkt<br />
liegt auf Techniken die zur Implementierung von Algorithmen aus dem Bereich<br />
Maschinelles Lernen notwendig sind. Behandelt werden insbeson<strong>der</strong>e einfache lineare<br />
Algebra, Entwicklung eigener Programme (Skripte, Funktionen, Kontrollstrukturen, etc.),<br />
graphische Darstellung, einfache Simulationen mit Zufallszahlen und Datenimport.<br />
Diese Veranstaltung ist Wahlpflichtbestandteil des M.Sc. Moduls Maschinelles Lernen 1.<br />
Bemerkung Die Veranstaltung wird allen Studenten und Studentinnen empfohlen, die eine<br />
Veranstaltung im Bereich "Maschinelles Lernen" besuchen. Grundlegende<br />
Programmierkenntnisse in einer beliebigen Programmiersprache werden<br />
vorausgesetzt.<br />
Praktikum Maschinelles Lernen und Datenanalyse<br />
0434 L 545, Praktikum, 6.0 SWS<br />
Mo, wöchentl, 10:00 - 12:00, 11.04.2011 - 16.07.2011, FR 1505<br />
Mi, wöchentl, 10:00 - 12:00, 13.04.2011 - 16.07.2011<br />
Inhalt Im Praktikum Maschinelles Lernen und Datenanalyse soll <strong>der</strong> Prozess <strong>der</strong> explorativen<br />
Datenanalyse geübt werden. Der Schwerpunkt liegt auf den Themengebieten<br />
Visualisierung & Dimensionsreduktion, Klassifikation mit Neuronalen Netzen, Hidden-<br />
Markov-Modelle auf Genomdaten und Support-Vektor-Maschinen. Die Aufgaben sind<br />
kombinierte Programmier- und Simulationsaufgaben in Matlab.<br />
Bemerkung Der Besuch des Kurses "Einführung in die computergestützte Datenanalyse mit Matlab"<br />
wird empfohlen. Grundlegende Kentnisse des Maschinellen Lernen sind sehr hilfreich,<br />
bei großem Interesse und Engagement aber keine zwingende Voraussetzung.<br />
Der Termin am Mittwoch (10:00 - 12:00 Uhr) findet im Raum FR 6043 statt.<br />
Diplomanden/Doktorandenseminar Maschinelles Lernen<br />
0434 L 581, Seminar, 2.0 SWS<br />
SoSe 2011 76