Beschreibung:

Einleitung und Motivation des maschinellen Lernens, Informationstheorie, Versionsraummethode, Entscheidungsbäume und ihr Aufbau (C4.5, C5.0), Neuronale Netze (nur kurz), Evaluation von Hypothesen, Bayessches Lernen mit Anwendungen in der Robotik,, PAC-Lernen und VC-Dimension, Aktives Lernen, EM-Algorithmus, Reinforcement-Lernen, Support Vector Machine, Boosting und andere Verfahren zur Verbesserung von Klassifikatoren

Voraussetzungen:
keine

Literatur:
A. Zell: Skriptum Maschinelles Lernen, basierend auf Skriptum von S. Thrun (CMU),
T. Mitchell: Machine Learning,
sowie weitere Literatur, die in der Vorlesung bekanntgegeben wird.

Bemerkungen:
Die Vorlesung "Maschinelles Lernen B" kann parallel zur Vorlesung "Maschinelles Lernen A" gehört werden (sie baut nicht auf ihr auf) und ist stärker anwendungsbezogen. Sie kann in Verbindung mit dieser in den Bereichen Theoretische oder Praktische Informatik geprüft werden, einzeln im Bereich Praktische Informatik.