Maschinelles Lernen
Im Seminar werden die aktuell in diversen Anwendungsgebieten eingesetzten Methoden des maschinellen Lernens besprochen, insb.:
- Mathematische Grundlagen
- Welche Probleme können mit den Methoden des ML gelöst werden?
- Modellauswahl-Algorithmen (Information Criteria)
- Dimensionsreduktion
- Entscheidungsbäume
- Neuronale Netze
- Deep Learning
- Unüberwachtes Lernen
Die Veranstaltung wird abwechselnd aus Seminarvorträgen, in denen die Machine-Learning-Ansätze vorgestellt werden, und konkreten Programmieraufgaben bestehen. Die Programmieraufgaben werden sich auf konkrete Fragestellungen in der Finanzindustrie beziehen. Die Methoden werden entweder bereits in der Praxis eingesetzt oder an deren Anwendung in Unternehmen wird derzeit intensiv geforscht.
Es gibt keine festen Voraussetzungen zur Teilnahme am Seminar.
Anmeldung erfolgt per E-Mail, diese ist unter https://www.mi.uni-koeln.de/wp-znikolic/kontakt/ zu finden.
Bitte melden Sie sich mit einer aussagekräftigen Bewerbung an, welche u. a. folgende Angaben enthalten soll:
- Ihre bisher besuchten Veranstaltungen,
- relevante Vorkenntnisse (Mathematik & Informatik)
- weshalb Sie sich für dieses Thema interessieren,
- ob Sie das Seminar im Rahmen des Versicherungsmoduls mit 3 Leistungspunkten oder als Seminar mit 6 Leistungspunkten belegen möchten.
Gerne können Sie Ihre Bewerbung um weitere Punkte ergänzen. Die Bewerbung soll vor allem glaubhaft vermitteln, dass Sie sich für das behandelte Thema interessieren und mehr darüber lernen möchten.
Literatur:
- https://www.deeplearningbook.org/
- James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning: With Applications in R , Springer Publishing Company, Incorporated (2013), https://doi.org/10.1007/978-1-0716-1418-1
- Hastie, T., Tibshirani, R., Friedman, J.: ESL: The Elements of Statistical Learning, Springer (2008), https://web.stanford.edu/~hastie/Papers/ESLII.pdf .
Übersicht der Vorträge:
| Name | Datum | Vortragsthema |
|---|---|---|
| Wadim Koslow | 03.05.19 | Statistical Decision Theory |
| Alexander Bast | 03.05.19 | Supervised Learning and Model Assessment |
| Philipp Engels | 03.05.19 | Linear Regression and Regularization |
| Vanessa Dietze | 10.05.19 | AIC, BIC |
| Julia Jagdhuber und Helen Schneider | 10.05.19 | Jupyter Code for an Application of AIC and BIC for Insurance Data AIC and BIC Applied to Insurance Data |
| Michelle Anell | 24.05.19 | Kernel Smoothing Methods |
| Helena Schmitz | 24.05.19 | Generalized Additive Models and Tree-Based Methods |
| Simone Horstmann | 24.05.19 | Bagging, Random Forests, Boosting |
| Sophia Thamm | 07.06.19 | Neural Networks |
| Julia Odenthal | 07.06.19 | Convolutional Neural Networks |
| Kevin Scislak | 28.06.19 | Gradient Boosting – Presentation |
| David Noben, Marcel Aach | 28.06.19 | A Regression Assignment for Neural Networks The NN Code (Python) |
| Annika Scheithe | 28.06.19 | Principal Components Analysis |