Zurück zur Auswahl
17165-01 - Vorlesung: Machine Learning (8 KP)
| Semester | Frühjahrsemester 2026 |
| Weitere Semesterveranstaltungen zu diesen KP |
17165-01 (Vorlesung) 17165-02 (Übung) |
| Angebotsmuster | Jedes Frühjahrsem. |
| Dozierende | Volker Roth (volker.roth@unibas.ch, BeurteilerIn) |
| Inhalt | Probabilities Generative models for discrete data Classification & regression: Frequentist & Bayesian approaches, model selection, sparse models Neural networks: Feed-forward & recurrent topologies, encoder-decoder models, interpretability in deep learning models Elements of statistical learning theory Support Vector Machines and kernels, Gaussian processes Mixture models, mixtures of experts Linear latent variable models: Factor analysis, PCA, CCA Non-linear latent variable models: Variational autoencoders, deep information bottlenecks, sequence-to-sequence models, large language models |
| Lernziele | Understand the theoretical foundations of Machine Learning Understand and apply practical learning algorithms: (generalized) linear models for regression and classification, Gaussian processes, elements of statistical learning theory, mixture models, clustering, (deep) neural networks, (traditional and large) language models. Program in Python. PyTorch & Tensorflow |
| Literatur | https://mitpress.mit.edu/books/machine-learning-1 https://www.deeplearningbook.org/ |
| Bemerkungen | Target group: Master students |
| Weblink | Course website |
| Teilnahmevoraussetzungen | Basic knowledge and skills regarding pattern recognition, numerical analysis, and statistics |
| Anmeldung zur Lehrveranstaltung | Übung: https://courses.cs.unibas.ch |
| Unterrichtssprache | Englisch |
| Einsatz digitaler Medien | Online-Angebot fakultativ |
| HörerInnen willkommen |
| Intervall | Wochentag | Zeit | Raum |
|---|---|---|---|
| wöchentlich | Dienstag | 10.15-12.00 | Physik, Neuer Hörsaal 1, Foyer EG |
| wöchentlich | Mittwoch | 14.15-16.00 | Alte Universität, Hörsaal -101 |
Einzeltermine
| Datum | Zeit | Raum |
|---|---|---|
| Dienstag 17.02.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 18.02.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 24.02.2026 | 10.15-12.00 Uhr | Fasnachtsferien |
| Mittwoch 25.02.2026 | 14.15-16.00 Uhr | Fasnachtsferien |
| Dienstag 03.03.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 04.03.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 10.03.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 11.03.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 17.03.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 18.03.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 24.03.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 25.03.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 31.03.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 01.04.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 07.04.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 08.04.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 14.04.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 15.04.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 21.04.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 22.04.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 28.04.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 29.04.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 05.05.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 06.05.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 12.05.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 13.05.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 19.05.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 20.05.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Dienstag 26.05.2026 | 10.15-12.00 Uhr | Physik, Neuer Hörsaal 1, Foyer EG |
| Mittwoch 27.05.2026 | 14.15-16.00 Uhr | Alte Universität, Hörsaal -101 |
| Module |
Doktorat Informatik: Empfehlungen (Promotionsfach: Informatik) General Electives in Business and Economics: Zusätzliches Lehrangebot (Masterstudium: Wirtschaftswissenschaften) Kernfächer und Seminar (Masterstudium: Computational Biology and Bioinformatics) Modul: Applications of Distributed Systems (Masterstudium: Computer Science) Modul: Concepts of Machine Intelligence (Masterstudium: Computer Science) Modul: Concepts of Machine Intelligence (Master Studienfach: Computer Science) Modul: Interdisziplinäres und Wissenstransfer (Masterstudium: Actuarial Science) Modul: Machine Learning Foundations (Masterstudium: Data Science) Modul: Specific Electives in Data Science and Computational Economics (Masterstudium: Wirtschaftswissenschaften) Spezialisierungsmodul: Areas of Specialization in International and/or Monetary Economics (Masterstudium: International and Monetary Economics) |
| Prüfung | Lehrveranst.-begleitend |
| Hinweise zur Prüfung | Written exam Expected Date: TBA Admission to the examination: handing in "reasonable" solutions to >70% of the exercises Composition of the grade: examination result |
| An-/Abmeldung zur Prüfung | Anm.: Belegen Lehrveranstaltung; Abm.: stornieren |
| Wiederholungsprüfung | keine Wiederholungsprüfung |
| Skala | 1-6 0,5 |
| Belegen bei Nichtbestehen | beliebig wiederholbar |
| Zuständige Fakultät | Philosophisch-Naturwissenschaftliche Fakultät, studiendekanat-philnat@unibas.ch |
| Anbietende Organisationseinheit | Fachbereich Informatik |