Details zu dem von Ihnen ausgewählten Semesterangebot (Lehrveranstaltungs- bzw. Prüfungsangebot):
| Lehrveranstaltung: | Automated Machine Learning |
| (in English) | Automated Machine Learning |
| Semester: | SS 2025: Lehrveranstaltung und Prüfung |
| Sprache: | Englisch |
| : | Informatik [INF MSC] (INF) - Pflicht (im Studiengang) - |
| : | Maschinelles Lernen (ML) - Wahl-Pflicht (in ) - |
| weitere Einordnungen: | [ET] ZSK -- Technisches Wahlfach , ML-Msc -- Maschinelles Lernen - Anwendungsfächer , ZSK -- Technisches Wahlfach |
| Frequenz: | jährlich im SS |
| SWS / LP: | 2 V + 2 Ü / 5 LP |
| Prüfungsleistung: | Prüfungsleistung [Nr. ?] = mündl. Prüfung (MP), benotet - Wahl-Pflicht (in ) - |
| Studienleistung: | Keine |
| Schwerpunkt / Micro-Degree: | Schwerpunkt Data Science |
| Bemerkung zur Prüfung: |
Ab WS 23/24 ohne SL. |
| Lernziele: | Die Studierenden lernen die grundlegenden Prinzipien von automatischen maschinellen Lernen (sowohl für traditionelles maschinelles Lernen, als auch für tiefes Lernen). Sie können Methoden der Hyperparameter-Optimierung und der neuronalen rchitektursuche erläutern, als auch auf neue Probleme anwenden. Insbesondere können sie diese Methoden praktisch anwenden, um damit die Performanz von Algorithmen für maschinelles Lernen auf feature-basierten Daten, Bilddaten als auch Daten für Zeitreihen zu optimieren. |
| Stoffplan: | 1. Design spaces in ML 2. Experimentation and visualization 3. Hyperparameter optimization (HPO) 4. Bayesian optimization 5. Other black-box techniques 6. Speeding up HPO with multi-fidelity optimization 7. Architecture search I + II 8. Meta-Learning 9. Dynamic Configuration 10. Beyond AutoML: algorithm configuration and control |
| Vorkenntnisse: | Basics in Machine Learning; Basics and hands-on in Deep Learning; hands-on experience in Python |
| Literatur- empfehlungen |
Automated Machine Learning Methods, Systems, Challenges Herausgeber: Hutter, Frank, Kotthoff, Lars, Vanschoren, Joaquin (Eds.) https://www.springer.com/de/book/9783030053178 Weitere Literaturempfehlungen werden in der Vorlesung bekannt gegeben. |
| Besonderheiten: | Für das Bestehen müssen als notwendige Bedingung Multiple-Choice Quizze (mind. 50% richtige Antworten) bestanden werden. Die Leistung kann entweder graduell pro Woche in der Vorlesung oder zum Ende des Vorlesungszeitraums als einmaliger schriftlicher Test erbracht werden. Als Vorbereitung auf die mündliche Prüfung muss ein abschließendes Projekt bearbeitet werden. Zuordnung zum Themenschwerpunkt Data Science. |
| WWW: | https://www.ai.uni-hannover.de |
| Lehrperson | WWW | Institut | |
|---|---|---|---|
| Prüfer/in: Prof. Dr. rer. nat. Marius Lindauer |
lindauer@tnt.uni-hannover.de | Fachgebiet Maschinelles Lernen | |
| Dozent/in: Prof. Dr. rer. nat. Marius Lindauer |
lindauer@tnt.uni-hannover.de | Fachgebiet Maschinelles Lernen | |
| Betreuer/in: Prof. Dr. rer. nat. Marius Lindauer |
lindauer@tnt.uni-hannover.de | Fachgebiet Maschinelles Lernen |
| Probleme? mailto:lvk |