Nummer

ML-4101
Titel

Mathematics for Machine Learning
Lehrform(en)

Vorlesung, Übung
ECTS 9
Arbeitsaufwand
- Kontaktzeit
- Selbststudium
Arbeitsaufwand:
270 h
Kontaktzeit:
90 h / 6 SWS
Selbststudium:
180 h
Veranstaltungsdauer 1 Semester
Häufigkeit des Angebots Im Wintersemester
Unterrichtssprache Englisch
Prüfungsform

Klausur (mündliche Prüfung bei geringer Teilnehmeranzahl)

Inhalt

In der Vorlesung werden grundlegende Begriffe der Mathematik, die beim maschinellen Lernen verwendet werden, wiederholt und eingeführt
- Kalkül: Multivariate Kalkulation (Gradient und Hessian), Taylor-Erweiterung usw.
- Lineare Algebra: Eigenvektoren, Eigenwerte (einschließlich Variationscharakterisierung), Singulärwertzerlegung und beste Approximation mit niedrigem Rang, Inverse und Pseudo-Inverse, Normen, grundlegende Algorithmen und ihre Komplexität (Lösen linearer Gleichungen, Matrixinversion, Eigenvektoren (Potenzmethode)) usw.
- Wahrscheinlichkeit: diskrete und kontinuierliche Wahrscheinlichkeitsmaße (und gemischte), Grundbegriffe, Erzeugung von Zufallsvariablen, bedingte Erwartung und Unabhängigkeit, Gesetz der großen Zahlen und Konzentrationsungleichungen für Konvergenzraten, zentraler Grenzwertsatz usw.
- Statistik: parametrische und nichtparametrische Tests
- Optimierung: Lagrangesches und duales Optimierungsproblem, gängige Optimierungstechniken und ihre Eigenschaften
- Optional: Grundlegende Funktionsanalyse und Approximationstheorie, Fluch der Dimensionalität

Qualifikationsziele

Die Studierenden lernen die mathematischen Grundlagen für die späteren Kurse zum maschinellen Lernen.
- sie kennen die multivariate Infinitesimalrechnung und die lineare Algebra, die in den Vorlesungen zum maschinellen Lernen benötigt werden
- sie können Wahrscheinlichkeitsrechnung und Statistik anwenden und sind in der Lage, grundlegende Eigenschaften zu beweisen
- sie haben einen Überblick über bestehende Optimierungstechniken und können äquivalente eingeschränkte Optimierungsprobleme umformulieren

Vergabe von Leistungspunkten/Benotung
Lehrform
Status
SWS
LP
Prüfungsform
Prüfungsdauer
Benotung
Berechnung
Modulnote (%)
Vorlesung
V
o
2
3.0
K
90
b
100
Übung
Ü
o
2
3.0
Teilnahmevoraussetzungen INFM1010 Mathematik für Informatik 1: Analysis,

INFM1020 Mathematik für Informatik 2: Lineare Algebra,

INFM2010 Mathematik für Informatik 3: Fortgeschrittene Themen
Dozent/in Hein, Pons-Moll, von Luxburg
Literatur / Sonstiges

The literature for this lecture will be provided at the beginning of the semester.

Zuletzt angeboten Wintersemester 2022
Geplant für Wintersemester 2024
Zugeordnete Studienbereiche INFO-INFO, INFO-THEO, MEDI-APPL, MEDI-INFO, ML-CS, ML-DIV