Maschinelles Lernen hat sich zu einem zentralen Treiber von Innovationen in Wissenschaft, Technik und Industrie entwickelt. Jüngste Fortschritte in Lernalgorithmen und Modellarchitekturen haben Fähigkeiten ermöglicht, die zuvor außer Reichweite lagen, wie etwa hochwertige Bild-, Video- und Textgenerierung, robuste Perzeption in komplexen Umgebungen sowie intelligente Entscheidungsfindung unter Unsicherheit. Diese Entwicklungen verändern grundlegend, wie intelligente Systeme mit der Welt interagieren, und werden zunehmend in großskaligen, sicherheitskritischen und autonomen Anwendungen eingesetzt.

Diese Vorlesung bietet einen vertiefenden Überblick über die Methoden, die diese Fähigkeiten ermöglichen. Sie behandelt den neuesten Stand der Technik von neuronalen Netzarchitekturen, einschließlich Transformer und Graph Neural Networks, sowie modernen generative Modellen wie GANs und Diffusion Models. Darüber hinaus führt die Vorlesung in Model-Free und Model-Based Reinforcement Learning für sequentielle Entscheidungsprozesse ein und adressiert praktische Aspekte wie Large-Scale Training, Uncertainty-Aware Learning, Active Learning und Advanced Computer Vision. Durch diese integrierte Perspektive erwerben Studierende ein fundiertes Verständnis der Prinzipien, Stärken und Grenzen moderner Methoden des maschinellen Lernens und lernen, diese in komplexen realen Systemen anzuwenden.

Lernziele:

• Die Studierenden verfügen über fortgeschrittene Kenntnisse der neuesten Methoden und Architekturen des maschinellen Lernens, einschließlich moderner Deep-Learning-Modelle, generativer Ansätze und Reinforcement Learning, sowie deren theoretischer Grundlagen, Annahmen und Anwendungsbereiche.
• Studierenden sind in der Lage, fortgeschrittene Methoden und Architekturen des maschinellen Lernens formal zu beschreiben, zu klassifizieren und zu analysieren und diese Methoden in komplexen Inferenz- und Entscheidungssystemen anzuwenden, wobei sie praktische Einschränkungen wie Datenverfügbarkeit, Skalierbarkeit, Robustheit und Unsicherheit berücksichtigen.
• Studierenden sind in der Lage, fortgeschrittene Methoden und Architekturen des maschinellen Lernens kritisch zu bewerten und geeignete Modelle und Lernstrategien für bestimmte Probleme im maschinellen Lernen auszuwählen und zu begründen, basierend auf den Merkmalen des Problems, methodischen Kompromissen und Anwendungsanforderungen.

Empfehlungen: Die Teilnahme an der Vorlesung Maschinelles Lernen 1 oder einer vergleichbaren Vorlesung ist für das Verständnis dieser Vorlesung sehr hilfreich.

Hinweise:

• Die Vorlesung wird auf Deutsch gehalten, die Folien sind auf Englisch. Die Prüfung kann auf Deutsch oder Englisch abgelegt werden.
• Die Klausurdauer sind 70 Minuten.

Weiterführende Literatur

• Probabilistic Machine Learning: An Introduction - Kevin P. Murphy
• Probabilistic Machine Learning: Advanced Topics - Kevin P. Murphy
• Deep Learning - Ian Goodfellow, Yoshua Bengio, Aaron Courville
• Reinforcement Learning: An Introduction - Richard S. Sutton and Andrew G. Barto

Weitere (spezifische) Literatur zu einzelnen Themen wird in der Vorlesung angegeben.