Diplomstudiengänge der Fakultät IV (Elektrotechnik ... - TU Berlin

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