1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Modulbeschreibung ohne Titel

Zur Modulseite PDF generieren

#40894 / #3

Seit WiSe 2020/21

English

Mathematics of Machine Learning

6

Stanczak, Slawomir

Benotet

Mündliche Prüfung

English

Zugehörigkeit


Fakultät IV

Institut für Telekommunikationssysteme

34331800 FG Netzwerk- und Informationstheorie

Keine Angabe

Kontakt


HFT 6

Reinhardt, Kerstin

sekretariat@netit.tu-berlin.de

http://www.netit.tu-berlin.de/

Lernergebnisse

After completeing the module the students will have a solid understanding of theoret- ical foundations of Machine Learning and will be able to develop, apply, and analyze the complexity of the resulting learning algorithms. Moreover, a special emphasis will be put on applications of Machine Learning in areas such as Signal Processing and Wireless Communications and the students will be able to theoretically analyze and algorithmically solve learning problems arising in these fields.

Lehrinhalte

The learning content includes: • Learning Model • Learning via Uniform Convergence • Bias-Complexity Tradeoff • Stochastic Inequalities and Concentration of Measure • Suprema of empirical Processes • Vapnik- Chervonenkis Dimension (VC Dimension) • Nonuniform Learning • Runtime of Learning • Hilbert Spaces and Projection Methods • Kernel and Multi-Kernel Methods • Information Innovation • Regularization, Dimension Reduction and Compressive Sensing

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Mathematical Introduction to Machine LearningVLWiSeKeine Angabe2
Theory and Algorithms of Machine Learning for CommunicationVLSoSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Mathematical Introduction to Machine Learning (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Attendance15.02.0h30.0h
Pre/post processing15.04.0h60.0h
90.0h(~3 LP)

Theory and Algorithms of Machine Learning for Communication (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Attendance15.02.0h30.0h
Pre/post processing15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

The module consists of conventional frontal teaching in class, developing theoretical and mathematical concepts, exercises developed in class, in order to develop problem- solving skills and reinforce comprehension of the theory,

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Prerequisite for participation to courses are a mathematical background at the level of beginning MS students in Electrical Engineering (multivariate calculus, signals and systems, linear algebra and notions of matrix theory). The course is open to students enrolled in any MSc in EE CS, Mathematics and Physics.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Oral exam

Sprache(n)

English

Dauer/Umfang

60 minutes

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
2 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Course teaching and organization (not module examination enrollment at Examination office/Prüfungsamt) is supported by an ISIS course. Registration details are provided at the beginning of the module.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  verfügbar
Zusätzliche Informationen:

 

Literatur

Empfohlene Literatur
P. Rigollet: Mathematics of Machine Learning, MIT Lecture Notes (online)
R. Vershynin: High-Dimensional Probability: An Introduction with Applications in Data Sciences (book in preparation, online)
S. Shalev-Schwartz and S. Ben-David: Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press 2014

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Automotive Systems (M. Sc.)112WiSe 2020/21SoSe 2025
Computer Engineering (M. Sc.)160WiSe 2020/21SoSe 2025
Computer Science (Informatik) (M. Sc.)120WiSe 2020/21SoSe 2025
Elektrotechnik (M. Sc.)150WiSe 2020/21SoSe 2025
ICT Innovation (M. Sc.)120WiSe 2020/21SoSe 2025
Wirtschaftsingenieurwesen (M. Sc.)120WiSe 2020/21SoSe 2025

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe