Modul MA4320-KP05

Optimierungsverfahren für Maschinelles Lernen (OptvML)

Dauer:

1 Semester

Angebotsturnus:

Unregelmäßig

Leistungspunkte:

Studiengang, Fachgebiet und Fachsemester:

Bachelor Mathematik in Medizin und Lebenswissenschaften 2016 (Wahl), Mathematik, 6. Fachsemester
Master Mathematik in Medizin und Lebenswissenschaften 2016 (Wahlpflicht), Mathematik, 2. oder 4. Fachsemester
Bachelor Mathematik in Medizin und Lebenswissenschaften 2023 (Wahlpflicht), Mathematik, 6. Fachsemester
Master Mathematik in Medizin und Lebenswissenschaften 2023 (Wahlpflicht), Mathematik, 2. oder 4. Fachsemester

Lehrveranstaltungen:

MA4320-Ü: Optimierungsverfahren für Maschinelles Lernen (Übung, 1 SWS)
MA4320-V: Optimierungsverfahren für Maschinelles Lernen (Vorlesung, 2 SWS)

Workload:

20 Stunden Prüfungsvorbereitung
85 Stunden Selbststudium und Aufgabenbearbeitung
45 Stunden Präsenzstudium

Lehrinhalte:
Zielfunktionen im Maschinellen Lernen (z.B. hinge loss, log loss, expected risk, empirical risk) Optimierungsverfahren für Maschinelles Lernen (z.B. Stochastisches Gradientenverfahren, Adam, stochastische Quasi-Newton-Verfahren) Anwendungen (z.B. Klassifikation, Regression, Sprach- und Bilderkennung)

Qualifikationsziele/Kompetenzen:

Studierende können Probleme des Maschinellen Lernens als Optimierungsprobleme modellieren.
Sie verstehen die Vor- und Nachteile und Einsatzgebiete einzelner Optimierungsverfahren.
Sie können typische Beweistechniken anwenden.
Sie können Optimierungsverfahren auswählen und für neue Modelle praktisch umsetzen.
Fachübergreifende Aspekte:
Studierende können theoretische Konzepte in die Praxis umsetzen.
Sie besitzen Implementierungserfahrung.
Sie können praktische Probleme abstrahieren.

Vergabe von Leistungspunkten und Benotung durch:

Klausur oder mündliche Prüfung nach Maßgabe des Dozenten

Setzt voraus:

Modulverantwortlicher:

Prof. Dr. rer. nat. Jan Modersitzki

Lehrende:

Institut für Mathematische Methoden der Bildverarbeitung

Literatur:

Goodfellow, Bengio, Courville: Deep Learning - MIT Press
Bottou, Curtis, Nocedal: Optimization Methods for Large-Scale Machine Learning - SIAM
Bubeck: Convex Optimization: Algorithms and Complexity - Now Publishers Inc
Lan: First-order and Stochastic Optimization Methods for Machine Learning - Springer

Sprache:

Sowohl Deutsch- wie Englischkenntnisse nötig

Bemerkungen:

Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine (die Kompetenzen der unter 'setzt voraus' genannten Module werden für dieses Modul benötigt, sind aber keine formale Voraussetzung)

Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- Unbenotete Prüfungsvorleistungen sind Übungsaufgaben sowie deren Präsentation. Diese müssen vor der Erstprüfung bearbeitet und positiv bewertet worden sein.

Modulprüfung(en):
- MA4320-L1: Optimierungsverfahren für Maschinelles Lernen, Klausur, 90min, oder mündliche Prüfung, 30min, nach Maßgabe des Dozenten, 100% der Modulnote