Quantitative Methoden der CL: Maschinelles Lernen

Montag 12:30-14:00 Raum 2521.HS 5D — Theorie
Dienstag 10:30-12:00 Raum 2321.00.93  — Programmierung

Online: bitte vor dem Seminar in den Rocketchatraum gehn, dann folgen weitere Anweisungen.

Hier das anonyme Notizbrett (für Fragen und Probleme)

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.

BN Bedigungen: Hausaufgaben. Die werden korrigiert von Radwan Rasul (radwan.rasul@hhu.de). Falls es Frage/Probleme gibt: Bitte Fragen an mich, an Radwan, oder einfach in den Rocketchat stellen.

Etherpad konkret

Etherpad abstrakt

Cheatsheet Notebook – Zusammenfassung der wichtigsten Befehle

Woche 1: Einführung und Übersicht, Methode des maschinellen Lernens
Zusammenfassung, Wahrscheinlichkeit (Wdh.), lineare Algebra pdf

Woche 2:
Lineare Algebra pdf
Praktischer Teil:  Daten preprocessing Code  Daten

Woche 3: Lineare Algebra, Lineare Regression pdf
Praktischer Teil: Daten aufbereiten Code mit Lösung und neuer Code
Theoretische Hausaufgabe pdf 

Woche 4 (Praxis fällt aus)
Lineare Regression 2: Polynome, Gradienten, Heuristische Optimierung

Woche 5:
Theoretischer Teil: Regularisierung
Praktischer Teil: Lineare Regression Code (alte Lösung, neue Hausaufgabe) sowie noch eine Lösung

Woche 6: Logistische Regression, lineare Separierbarkeit
Praktischer Teil: Alte Lösung, neuer Code (Polynomiale Regression), Daten

Woche 7: Softmax Regression, Nearest Neighbour Regression
Praktischer Teil: Lösung mit neuer Hausaufgabe: Code (und nochmal Daten)

Woche 8: Support Vector Machines 1: Lineare Klassifikation 1 pdf
Praktischer Teil: Code mit Lösung, neuer Code

Woche 9: Support Vector Machines 2: Kernel pdf
Praktischer Teil: Lösung der HA mit neuer Hausaufgabe; Daten

Woche 10: SVM 3: Regression, Evaluationsmetriken pdf
Praktischer Teil: Notebook mit Lösung und HA, neue daten (skewed) und daten (housing)

Woche 12: k-means clustering pdf, curse of dimensionality
Praktischer Teil: Clustering code, Daten  Lösung der Hausaufgabe code

Weihnachten

Woche 13:  dimenstionality reduction pdf, principal component analysis pdf
Praktischer Teil: PCA code, Lösung fürs Clusterung code

Woche 14: PCA, Dimensionality reduction und Verwandtes: PCA und Kernel PCA pdf
Praktischer Teil: Lösung und neue HA code

Woche 15: PAC-Lernen pdf
Praktischer Teil: Lösung der HA code

############################################

Hier gibt es einen Fragenkatalog im Hinblick auf die Klausur.