Universität Wien

040649 UK Machine Learning (MA) (2025W)

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

  • Donnerstag 02.10. 11:30 - 13:00 Digital
  • Donnerstag 09.10. 11:30 - 13:00 Digital
  • Donnerstag 16.10. 11:30 - 13:00 Digital
  • Donnerstag 23.10. 11:30 - 13:00 Digital
  • Donnerstag 30.10. 11:30 - 13:00 Digital
  • Donnerstag 06.11. 11:30 - 13:00 Digital
  • Donnerstag 13.11. 11:30 - 13:00 Digital
  • Donnerstag 20.11. 11:30 - 13:00 Digital
  • Donnerstag 27.11. 11:30 - 13:00 Digital
  • Donnerstag 04.12. 11:30 - 13:00 Digital
  • Donnerstag 11.12. 11:30 - 13:00 Digital
  • Donnerstag 18.12. 11:30 - 13:00 Digital
  • Donnerstag 08.01. 11:30 - 13:00 Digital
  • Donnerstag 15.01. 11:30 - 13:00 Digital
  • Donnerstag 22.01. 11:30 - 13:00 Digital
  • Donnerstag 29.01. 11:30 - 13:00 Digital

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Veranstaltung wird zu 100% über Moodle laufen.
Die Veranstaltung wird gestreamt.

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 (wenn genug Zeit ist).

Art der Leistungskontrolle und erlaubte Hilfsmittel

Übungsaufgaben.

Die Verwendung von KI-Tools (z. B. ChatGPT) für die Produktion von Texten ist nur dann erlaubt, wenn diese von der Lehrveranstaltungsleitung ausdrücklich gefordert werden (z. B. für einzelne Arbeitsaufgaben).

Mindestanforderungen und Beurteilungsmaßstab

Mindestens 50% der Aufgaben.

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 26.09.2025 10:25