Aktuelle Seite:
Vorlesung und Übung: Machine Learning (Lecture + Practice) - Details

  • Detaillierte Informationen über die Veranstaltung werden angezeigt, wie z.B. die Veranstaltungsnummer, Zuordnungen, DozentInnen, TutorInnen etc. In den Detail-Informationen ist unter Aktionen das Eintragen in eine Veranstaltung möglich.

  • link-extern Weiterführende Hilfe
Sie sind nicht angemeldet.

Machine Learning (Lecture + Practice)

Allgemeine Informationen

Veranstaltungsnummer 8.3072
Semester SS 2016
Aktuelle Anzahl der Teilnehmenden 169
Heimat-Einrichtung LE Cognitive Science
Veranstaltungstyp Vorlesung und Übung in der Kategorie Offizielle Lehrveranstaltungen
Erster Termin Di , 05.04.2016 14:00 - 16:00, Ort: 32/102
Teilnehmende ab 4. Semester
SWS 6
Sprache Englisch
Contact Hours 6
ECTS-Punkte 12

Lehrende

Tutor/-innen

Zeiten

Montag: 12:00 - 14:00, wöchentlich (ab 20.06.2016), Feedback sessions, Ort: 93/E42
Montag: 14:00 - 16:00, wöchentlich (ab 20.06.2016), Feedback sessions, Ort: (93/E10)
Montag: 16:00 - 18:00, wöchentlich (ab 20.06.2016), Feedback sessions, Ort: 93/E42
Dienstag: 10:00 - 14:00, wöchentlich (ab 21.06.2016), Feedback sessions, Ort: 93/E42
Dienstag: 14:00 - 16:00, wöchentlich (ab 05.04.2016), Ort: 32/102
Dienstag: 16:00 - 18:00, wöchentlich (ab 21.06.2016), Feedback sessions, Ort: 93/E42
Mittwoch: 10:00 - 12:00, wöchentlich (ab 06.04.2016), Ort: 93/E31
Mittwoch: 12:00 - 18:00, wöchentlich (ab 15.06.2016), Feedback sessions, Ort: 93/E42
Donnerstag: 10:00 - 12:00, wöchentlich (ab 07.04.2016), Ort: 93/E31
Termine am Donnerstag. 07.07. 10:00 - 12:00, Ort: 32/110

Veranstaltungsort

93/E42 Mo. 12:00 - 14:00 (3x)
Mo. 16:00 - 18:00 (3x)
Di. 10:00 - 14:00 (3x)
Di. 16:00 - 18:00 (3x)
Mi. 12:00 - 18:00 (4x)
(93/E10) Mo. 14:00 - 16:00 (3x)
32/102 Di. 14:00 - 16:00 (14x)
93/E31 Mi. 10:00 - 12:00 (14x)
Do. 10:00 - 12:00 (13x)
32/110 Donnerstag. 07.07. 10:00 - 12:00

Studienbereiche

Kommentar/Beschreibung

Prerequisites: None

Being a mainly academic topic about 20 years ago, Machine Learning has become a discipline of major impact on both science and engineering by today. This course introduces the basics of Machine Learning and Data Mining. Major topics are concept learning, decision trees, problems of data in high dimensional representations, clustering algorithms, linear and nonlinear dimension reduction, artificial neural networks (e.g. multilayer perceptrons, RBF networks, self-organizing maps), classification methods, reinforcement learning, modeling uncertainty and temporal probability models.