Modulbeschreibung

Statistical Machine Learning

Kürzel:
M_ML
Durchführungszeitraum:
HS/18-HS/24
ECTS-Credits:
4
Lernziele:

The goal is to enable the students to understand the fundamental statistical machine learning algorithms for diverse datasets. To this end, the theory of these algorithms is developed in the lectures and during the practice sessions, many such data sets are analyzed.

Verantwortliche Person:
Prof. Dr. Schuster Guido
Standort (angeboten):
Rapperswil-Jona
Zusätzlich vorausgesetzte Kenntnisse:
  • Since this module is taught in English, a reasonable command of the English language is required
  • Fundamental knowledge of linear algebra, multivariable calculus and probability theory is required to be able to follow the lectures
  • The practical exercises are with Python or Matlab, hence some familiarity with one of these scripting languages is helpful but not required
  • The book is available online for free: https://www.statlearning.com/  An Introduction to Statistical Learning (statlearning.com)
  • Please browse through the book to get an understanding of the complexity of the material covered in this module
Skriptablage:
Modultyp:
Wahlpflicht-Modul für Elektrotechnik STD_14(Keine Semesterempfehlung)
Wahlpflicht-Modul für Elektrotechnik STD_21(Keine Semesterempfehlung)
Wahlpflicht-Modul für Elektrotechnik STD_24(Keine Semesterempfehlung)
Wahlpflicht-Modul für Informatik STD_11(Keine Semesterempfehlung)
Wahlpflicht-Modul für Informatik STD_14(Keine Semesterempfehlung)
Wahl-Modul für Data Science STD_14 (PF)
Wahlpflicht-Modul für Informatik STD_21(Empfohlenes Semester: 5)
Wahl-Modul für Data Science STD_21 (PF)
Wahlpflicht-Modul für Informatik STD_23(Empfohlenes Semester: 5)
Wahl-Modul für Data Science STD_23 (VR)
Wahlpflicht-Modul für Informatik Retro STD_14_UG(Keine Semesterempfehlung)
Wahlpflicht-Modul für Maschinentechnik-Innovation STD_14(Empfohlenes Semester: 5)
Wahlpflicht-Modul für Maschinentechnik-Innovation STD_21(Empfohlenes Semester: 5)
Wahlpflicht-Modul für Maschinentechnik-Innovation STD_23(Empfohlenes Semester: 5)

Kurse in diesem Modul