Universität Wien

040649 UK Machine Learning (2020W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 30 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Mittwoch 07.10. 09:45 - 11:15 Digital
  • Mittwoch 14.10. 09:45 - 11:15 Digital
  • Mittwoch 21.10. 09:45 - 11:15 Digital
  • Mittwoch 28.10. 09:45 - 11:15 Digital
  • Mittwoch 04.11. 09:45 - 11:15 Digital
  • Mittwoch 11.11. 09:45 - 11:15 Digital
  • Mittwoch 18.11. 09:45 - 11:15 Digital
  • Mittwoch 25.11. 09:45 - 11:15 Digital
  • Mittwoch 02.12. 09:45 - 11:15 Digital
  • Mittwoch 09.12. 09:45 - 11:15 Digital
  • Mittwoch 16.12. 09:45 - 11:15 Digital
  • Mittwoch 13.01. 09:45 - 11:15 Digital
  • Mittwoch 20.01. 09:45 - 11:15 Digital
  • Donnerstag 28.01. 16:45 - 18:15 Hörsaal 6 Oskar-Morgenstern-Platz 1 1.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Veranstaltung wird zu 100% über Moodle laufen.
Eine detaillierte Beschreibung zum Ablauf wird dort bereit gestellt.

Ziel: Vermitteln von grundlegenden Ideen, Algorithmen und Beweisen im Bereich des Machine Learning.

Inhalt:
- ERM classifiers.
-K-NN classifiers.
- Linear classifier and support vector machines
- Principal component analysis (PCA)
- High dimensional statistics & sparsity: Compressed sensing.
- High dimensional statistics & sparsity: Lasso.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Mündliche Prüfung.

Mindestanforderungen und Beurteilungsmaßstab

Prüfungsstoff

Alles was vorgetragen wurde.

Literatur

Trevor Hastie, Robert Tibshirani, and Jerome Friedman. The elements of statistical learning. Springer Series in Statistics. Springer, New York, second edition, 2009. Data mining, inference, and prediction.

Christophe Giraud. Introduction to high-dimensional statistics, volume 139 of Monographs on Statistics and Applied Probability. CRC Press, Boca Raton, FL, 2015.

Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani.
An introduction to statistical learning, volume 103 of Springer Texts in Statistics. Springer, New York, 2013. With applications in R.

Shai Shalev-Shwartz and Shai Ben-David. Understanding Machine
Learning: From Theory to Algorithms. Cambridge University Press,
USA, 2014.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Fr 12.05.2023 00:12