Lehrinhalte
1) Grundlagen induktiven Lernens: Empirical Risk Minimization, Structural Risk Minimization, Bayesian Inference
2) Lernen und Generalisierung, Techniken der Regularisierung
3) Künstliche neuronale Netze (konnektionistische Neuronen, das Multilagen-Perzeptron, radiale Basisfunktionen, tiefe Netze, rekurrente Netze)
4) Aspekte der Nachhaltigkeit und Fairness in künstlichen neuronalen Netzen
5) Statistische Lerntheorie und Support Vector Maschinen
6) Graphische Modelle: Schließen unter Unsicherheit, Bayes'sche Inferenz und neuronale Netze
7) Reinforcement Learning (MDP, value iteration, policy iteration, Q-learning)
