Maschinelles Lernen & Deep Learning
Prof. Dr. M. O. Franz, Prof. Dr. O. Dürr · HTWG Konstanz, WS 2026/27
Kombiveranstaltung: In der ersten Semesterhälfte läuft Machine Learning, in der zweiten Deep Learning. Vorlesung jeweils dienstags in zwei Terminen (Di 1, Di 2). Die Zusammenfassungen folgen den Folien, Kapitel für Kapitel. Was dort nur als Stichpunkt steht, wird ausformuliert und durchgerechnet; Ergänzungen, die nicht auf den Folien stehen, sind markiert.
Machine Learning: Zeitplan
| Woche | Nr. | Termin | Wer | Thema | Kapitel |
|---|---|---|---|---|---|
| 1 | 1 | Di 1, 6.10. | Franz | Einführung / Reproducible Research / IPython | Kapitel 0 |
| 1 | 2 | Di 2, 6.10. | Dürr | Recap: Statistik | Kapitel 1 |
| 2 | 3 | Di 1, 13.10. | Franz | PCA I | Kapitel 2 |
| 2 | 4 | Di 2, 13.10. | Franz | PCA II / k-means | Kapitel 2 |
| 3 | 5 | Di 1, 20.10. | Franz | Bayes-Klassifikator, Naive Bayes, ROC | Kapitel 3 |
| 3 | 6 | Di 2, 20.10. | Dürr | Lineare Methoden (I): Perzeptron (Gradientenabstieg), lineare Regression (inkl. Maximum Likelihood) | Kapitel 4 |
| 4 | 7 | Di 1, 27.10. | Dürr | Lineare Methoden (II): polynomielle / kernalisierte Regression, Ridge-Regression, logistische Regression (Cross-Entropy) | Kapitel 4 |
| 4 | 8 | Di 2, 27.10. | Dürr | Bias-Varianz-Tradeoff (exakte Herleitung für Regression), Kreuzvalidierung, evtl. Bootstrap | Kapitel 5 |
| 5 | 9 | Di 1, 3.11. | Franz | Hochdimensionale Daten, SVM (I): trennbare Daten | Kapitel 6 |
| 5 | 10 | Di 2, 3.11. | Franz | SVM (II): nicht-trennbare Daten, Kernel-Trick | Kapitel 6, Kapitel 7 |
Der Foliensatz 11_trees_and_ensemble_methods_ws26.pdf (Entscheidungsbäume, Ensembles) ist schon da, steht aber noch nicht im Zeitplan. Alle PDFs gibt es unter Folien.
Kapitel und Foliensätze
Reihenfolge
Die Kapitel folgen dem Zeitplan, nicht der Nummerierung der Foliensätze: Bayes (06_…) kam vor den linearen Methoden (04_…).