Modulbeschreibung
Mathematical Foundations for Machine Learning
Kurzzeichen:
M_MathFML
Unterrichtssprache:
Englisch
ECTS-Credits:
4
Leitidee:
The goal of this course is to provide students with the necessary mathematical tools in linear algebra, multidimensional calculus, special functions, probabilistic and numerical methods to learn and understand machine learning algorithms as being taught in subsequent courses at HSR.
Modulverantwortung:
Dr. Wachter Seraina
Standort (angeboten):
Rapperswil-Jona
Zusätzliche Eingangskompetenzen:
Since this module is taught in English, an adequate command of the English language is required
Modultyp:
Wahlpflicht-Modul für Elektrotechnik STD_14(Keine Semesterempfehlung)Kategorien:Mathematik (E-m), Technik (E-et)
Wahlpflicht-Modul für Elektrotechnik STD_21(Keine Semesterempfehlung)Kategorien:Mathematik (E-m), Technik (E-et)
Wahlpflicht-Modul für Elektrotechnik STD_24(Keine Semesterempfehlung)Kategorien:Mathematik (E-m), Technik (E-et)
Wahlpflicht-Modul für Data Engineering & Machine Intelligence STD_14 (PF)Kategorie:Kernmodule Informatik Profile (I-KMP)
Wahlpflicht-Modul für Informatik STD_14(Empfohlenes Semester: 4)Kategorie:Mathematik und Physik (Kat_MaPh)
Wahl-Modul für Data Science STD_14 (PF)
Wahlpflicht-Modul für Informatik STD_21(Empfohlenes Semester: 4)Kategorie:Mathematik und Physik (Kat_MaPh)
Wahl-Modul für Data Science STD_21 (PF)
Wahlpflicht-Modul für Informatik STD_23(Empfohlenes Semester: 4)Kategorie:Mathematik und Physik (Kat_MaPh)
Wahl-Modul für Data Science STD_23 (VR)
Modulbewertung:
Note von 1 - 6
Leistungsnachweise und deren Gewichtung
Modulschlussprüfung:
Schriftliche Prüfung, 120 Minuten
Inhalte
Angestrebte Lernergebnisse (Abschlusskompetenzen):
The goal of this course is to provide students with the necessary mathematical tools in linear algebra, multidimensional calculus, special functions, probabilistic and numerical methods to learn and understand machine learning algorithms as being taught in subsequent courses at HSR.
Modul- und Lerninhalt:
- Introduction to multivariable calculus
- Analytical and numerical methods to deal with multivariate and constrained optimization problems
- Summary of special functions and statistical methods which are heavily used in the domain of machine learning
- Selected topics from linear algebra (e.g. symmetric matrices and rotation matrices, coordinate transformations, eigenvalues and eigenvectors, scalar product, norm, tensors)