Die Vorlesung richtet sich an Studierende der Mathematik (insbesondere
auch an solche mit Informatik als Schwerpunkt oder Nebenfach).
Algorithmisches Lernen läuft hinaus auf die Analyse von Problemen
des Maschinellen Lernens mit Methoden der Komplexitätstheorie.
Die Vorlesung behandelt das Thema der Voraussage von Datensequenzen
auf der Basis von partieller Information. Darueberhinaus werden Techniken
zur kompetitiven Analyse von Voraussagealgorithmen vermittelt. Bei der
kompetitiven Analyse werden keinerlei Grundannahmen (statistischer
oder sonstiger Art) ueber die Entstehung der Daten gemacht. Die Qualität
von Voraussagen kann dann nicht absolut sondern nur relativ gemessen werden
(also im Vergleich zu einer besten Voraussagefunktion aus einer Klasse von
Funktionen). Aus der Vorlesung werden sich auf natürliche Weise Themen
für Abschlussarbeiten (Bachelor, Master, Diplom,...) ergeben.
Grundkenntnisse in Theoretischer Informatik, Diskreter Mathematik,
Analysis und linearen Algebra werden vorausgesetzt. (Das Fehlen von
entsprechenden Vorkenntnissen ist aber mit etwas Extraaufwand kompensierbar).
Alle Materialien, die im Laufe der
Vorlesung auf der Webseite bereitgestellt werden, sind im
pdf-Format [.pdf] oder komprimiert im Postscript Format
[.ps.gz]. Einen Viewer für ps-files gibts z.B. hier.
