Maschinelles Lernen

Quantitative Methoden der CL: Maschinelles Lernen

Montag 12:30-14:00 Raum 2331.02.26
Mittwoch 10:30-12:00 Raum 24.21.03.62-64

In diesem Seminar werden wir Grundlagen des maschinellen Lernens besprechen. Es gibt jeweils eine theoretische und eine praktische Sitzung. Programmiert wird in Python. Die Gesamtübersicht der Inhalte (uvm.) wie immer im Skript. Der Kurs orientiert sich in weiten Teilen am Buch “Hands-On Machine Learning with Scikit-Learn & Tensorflow” von Aurelien Geron.

Falls es Probleme gibt: Simon Münker bietet eine Sprechstunde an, Dienstag 10:30 im Computerraum in 2453.00

Hier gibt es einen Fragenkatalog im Hinblick auf die Klausur.

Hausaufgabe bitte schicken an mich und Simon Münker simon.muenker@uni-duesseldorf.de

Etherpad

Notebook: pip install – -user notebook
ipython notebook

Woche 1: fällt aus

Woche 2:
Wahrscheinlichkeitstheorie – Grundlagen und Wiederholung pdf
Methode des maschinellen Lernens pdf

Woche 3:
Lineare Algebra pdf
Praktischer Teil: Daten preprocessing Code  Daten

Woche 4:
PAC-Lernen pdf
Praktischer Teil: Daten aufbereiten  Code    Lösung

Woche 5: Lineare Regression 1 pdf
Praktischer Teil: Vorbereitung und Lineare Regression  Code 

Woche 6: Lineare Regression 2: Polynome, Matrizen, Gradienten etc.
Daten   pdf

Woche 7: Logistische Regression, Perzeptronen pdf1 pdf2

Woche 8: Schema F zur Regression, Nearest neighbour regression, Wiederholung  pdf1 pdf2

Woche 9: Support Vector Machines 1: Lineare Klassifikation 1 pdf

Woche 10: Support Vector Machines 2: Kernel und Regression pdf Evaluation pdf

Woche 11: Wiederholung

Woche 12: k-means clustering pdf, principal component analysis pdf

Weihnachten

Woche 12: PCA, Dimensionality reduction und Verwandtes

Woche 13: PCA pdf

Woche 14 Kernel PCA pdf Locally linear embeddings pdf