Bereit für die Klausur? Teste jetzt dein Wissen!
Dein ergebnis
Melde dich für die StudySmarter App an und lerne effizient mit Millionen von Karteikarten und vielem mehr!
Du hast bereits ein Konto? Anmelden
Lerninhalte finden
Features
Entdecke
Egal, ob Zusammenfassung, Altklausur, Karteikarten oder Mitschriften - hier findest du alles für den Studiengang Master of Science Informatik
Universität Erlangen-Nürnberg
Master of Science Informatik
Prof. Dr.
2024
Dieser Abschnitt führt in die grundlegenden Konzepte und Techniken des maschinellen Lernens ein. Es wird ein Überblick über die verschiedenen Ansätze und Anwendungsbereiche gegeben.
Überwachtes Lernen (Supervised Learning) beschäftigt sich mit Algorithmen, die aus gekennzeichneten Daten lernen. In diesem Abschnitt werden die Haupttechniken und deren Anwendungen vorgestellt.
Unüberwachtes Lernen (Unsupervised Learning) fokussiert sich auf das Lernen aus unmarkierten Daten. Hier werden die zentralen Techniken und ihre Einsatzmöglichkeiten erläutert.
In diesem Abschnitt wird die Funktionsweise von neuronalen Netzen und deren Anwendung im maschinellen Lernen vorgestellt. Es wird auf die Architektur und Trainingsmethoden eingegangen.
Support Vector Machines sind leistungsfähige Modelle für Klassifikations- und Regressionsaufgaben. Dieser Abschnitt erklärt die theoretischen Grundlagen und praktischen Anwendungen von SVMs.
Die Vorlesung 'Introduction to Machine Learning' an der Universität Erlangen-Nürnberg bietet Dir einen umfassenden Einstieg in die Welt des maschinellen Lernens, einem zentralen Teilbereich der Informatik. In diesem Kurs lernst Du die grundlegenden Konzepte und Techniken des maschinellen Lernens kennen und setzt diese in praktischen Übungen direkt um. Hierbei werden Themen wie überwachtes und unüberwachtes Lernen, neuronale Netze sowie Support Vector Machines behandelt. Darüber hinaus wird auch auf ethische und gesellschaftliche Aspekte des maschinellen Lernens eingegangen.
Kursleiter: Prof. Dr.
Modulstruktur: Die Vorlesung besteht aus wöchentlichen Vorlesungen und Übungen. Die gesamte Semesterwochenstundenzahl (SWS) beträgt 5 (3 SWS Vorlesung und 2 SWS Übung).
Studienleistungen: Die Studienleistungen umfassen eine Klausur am Ende des Semesters. Zusätzlich können Hausaufgaben und Projekte Teil der Bewertung sein.
Angebotstermine: Die Vorlesung wird im Wintersemester angeboten.
Curriculum-Highlights: Überblick über maschinelles Lernen, Überwachtes Lernen, Unüberwachtes Lernen, Neuronale Netze, Support Vector Machines, Clustering-Verfahren, Ethische und gesellschaftliche Aspekte des maschinellen Lernens
Beginne frühzeitig mit dem Lernen, idealerweise schon zu Beginn des Semesters, um Dir die nötige theoretische Basis anzueignen.
Nutze verschiedene Ressourcen, wie Bücher, Übungsaufgaben, Karteikarten und Probeklausuren, um dein Wissen zu vertiefen.
Schließe Dich Lerngruppen an und tausche Dich mit anderen Studierenden aus, um gemeinsam Lösungsstrategien zu entwickeln.
Vergiss nicht, regelmäßige Pausen einzulegen und in diesen Zeiten komplett abzuschalten, um eine Überbelastung zu vermeiden.
Bin R.
Brandon H.
Alexander G.
Sie haben bereits ein Konto? Login
93182 Mainframe Programmierung II | Kurs ansehen |
Advanced Deep Learning | Kurs ansehen |
Advanced Design and Programming (5-ECTS) | Kurs ansehen |
Advanced Game Physics | Kurs ansehen |
Advanced Mechanized Reasoning in Coq | Kurs ansehen |
Advanced Networking LEx | Kurs ansehen |
Advanced Programming Techniques | Kurs ansehen |
Advanced Simulation Technology | Kurs ansehen |
AI-1 Systems Project | Kurs ansehen |
AI-2 Systems Project | Kurs ansehen |
Yuanyuan L.