650.025 (22W) Machine Learning and Deep Learning

Wintersemester 2022/23

Anmeldefrist abgelaufen.

Erster Termin der LV
05.10.2022 14:00 - 15:30 Z.0.01 On Campus
... keine weiteren Termine bekannt

Überblick

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Präsenz-Lehreveranstaltungen und Umstellung auf Online-Prüfungen) erforderlich sein.

Weitere Informationen zum Lehrbetrieb vor Ort finden Sie unter: https://www.aau.at/corona.
Lehrende/r
LV-Titel englisch Machine Learning and Deep Learning
LV-Art Vorlesung-Kurs (prüfungsimmanente LV )
LV-Modell Präsenzlehrveranstaltung
Semesterstunde/n 4.0
ECTS-Anrechnungspunkte 6.0
Anmeldungen 40 (30 max.)
Organisationseinheit
Unterrichtssprache Englisch
LV-Beginn 05.10.2022
eLearning zum Moodle-Kurs

Zeit und Ort

Beachten Sie bitte, dass sich aufgrund von COVID-19-Maßnahmen die derzeit angezeigten Termine noch ändern können.
Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

The course provides a practical introduction into machine learning methods with the focus on deep learning. 

Lehrmethodik

Lectures with practical sessions and a student's project applying machine learning to a practical problem.

Inhalt/e

  • Introduction to AI and machine learning
  • Machine learning preliminaries
  • Basic ML approaches 
  • Artificial Neural Networks
  • Deep Learning Architectures
  • Applications

Erwartete Vorkenntnisse

The course assumes the basic prior knowledge of the probability theory, linear algebra, and optimization methods. Knowledge of Python programming language is a plus.

Curriculare Anmeldevoraussetzungen

Basic knowledge of linear algebra, probability theory, and calculus

Literatur

Course books:

  • Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning  Cambridge: MIT press. (Available online: https://www.deeplearningbook.org/)
  • Aston Zhang A., Lipton, Z.C., Li M., & Smola A.J. Dive into Deep Learning (2020) (Available online: https://d2l.ai/)

Extra literature for beginners:

  • James, G., Witten, D., & Hastie, T. (2014). An Introduction to Statistical Learning: With Applications in R. Springer
  • Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.

Extra literature - classics:

  • Mitchell, T. (1997) Machine Learning. McGraw Hill. (a bit old, but still the best intro to ML for computer scientists)
  • Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
  • Friedman, J., Hastie, T., & Tibshirani, R. (2009). The elements of statistical learning.  2nd edition, Springer.

Please consider visiting also the practical course 623.625 "Machine Learning and Deep Learning" of Pierre Tassel, which provides an introduction to various aspects of programming deep neural networks with PyTorch.

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Masterstudium Informatics (SKZ: 911, Version: 19W.2)
    • Fach: Artificial Intelligence (Wahlfach)
      • Weitere LVen aus dem gewählten Spezialisierungsfach ( 0.0h XX / 12.0 ECTS)
        • 650.025 Machine Learning and Deep Learning (4.0h VC / 6.0 ECTS)
          Absolvierung im 1., 2. Semester empfohlen
  • Masterstudium Artificial Intelligence and Cybersecurity (SKZ: 993, Version: 20W.1)
    • Fach: Artificial Intelligence (Pflichtfach)
      • 2.2 Machine Learning and Deep Learning ( 0.0h VC / 6.0 ECTS)
        • 650.025 Machine Learning and Deep Learning (4.0h VC / 6.0 ECTS)
          Absolvierung im 1. Semester empfohlen

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Wintersemester 2023/24
  • 650.025 VC Machine Learning and Deep Learning (4.0h / 6.0ECTS)
Wintersemester 2021/22
  • 650.025 VC Machine Learning and Deep Learning (4.0h / 6.0ECTS)
Wintersemester 2020/21
  • 650.025 VC Machine Learning and Deep Learning (4.0h / 6.0ECTS)