Die Vorlesung gibt einen konzeptionellen Überblick über Maschinelles Lernen und behandelt die wichtigsten Ansätze und Methoden. Konkrete Inhalte sind:
- Einführung in Maschinelles Lernen, beispielsweise die Geschichte, Paradigmen, Anwendungsgebiete, oder das Induktionsproblem.
- Eine Auswahl von Algorithmen des Maschinellen Lernens, beispielsweise Lineare Regression, Logistische Regression, Entscheidungsbäume, Ensembles, kNN, k-Means, Hauptkomponentenanalyse (Principle Component Analysis), oder (Tiefe) Neuronale Netze.
- Mathematische Grundlagen soweit sie für das Verständnis oder Implementierung der Algorithmen nötig sind, und nicht in den Vorlesungen 4INFBA001 "Diskrete Mathematik" und 4MATHBAEX01 „Mathematik I“ behandelt wurden.
- Evaluation von Maschinellen Lernmethoden.
- Die Pipeline des Maschinellen Lernens, beispielsweise Trainingsstrategien, Überanpassung, Behandlung von fehlenden Daten, oder Feature Engineering.
- Ethische Aspekte.
