Proseminar: Machine Learning

Dozent

Johannes Eichner, Lars Rosenbaum

Sprechstunde

nach Vereinbarung

Zeit

wird in der Vorbesprechung festgelegt

Umfang

2 SWS bzw. 4 LP

Beginn wird in der Vorbesprechung festgelegt
Vorbesprechung Dienstag, den 18.10.2011, 10.00, Raum A302
Ort wird in der Vorbesprechung festgelegt
Turnus jährlich

Beschreibung:

Maschinelle Lernverfahren spielen in eine wichtige Rolle bei der Datenanalysen und Modellierung sowohl in der Industrie als auch in der Forschung.

Diese Verfahren können aus Daten Modelle lernen und diese Modelle auf unbekannte Instanzen anwenden. Beispiele für die praktische Anwendung sind z.B. Schrifterkennung, Bilderkennung, Warenkorbanalysen, Spamfilter, oder Eigenschaftvorsage chemischer Verbindungen.

In diesem Seminar werden grundlegende maschinelle Lernverfahren, ihre theoretischen Grundlagen und deren praktischen Anwendung vorgestellt. Zudem werden Validierungsstrategien und Parameteroptimerungs-Methoden vorgestellt.

Literatur wird in der Vorbesprechung angegeben. Eine Woche vor dem Vortrag müssen die Vortragsfolien mit dem Betreuer besprochen werden; der Student muss seine Ausarbeitung spätestens zwei Wochen nach dem Vortrag beim jeweiligen Betreuer abgeben. Der Vortrag und die Ausarbeitung dürfen gerne in Englisch sein.

Themen

  • Einfache Klassifikatoren: k-nearest Neighbor, Naive Bayes, Decision Trees
  • Lineare Diskriminanten: Fisher Linear Discriminants
  • Entscheidungsbäume: C4.5 und ID3, Random Forests
  • Qualitätskontrolle und Tests für Maschinelle Lernverfahren
  • Hidden-Markov-Modelle
  • Neuronale Netze
  • Regression: Least-squares, Maximum Likelihood, Support Vector Maschinen und Bayes
  • Graph Kernels: Lernen mit problemspezifischen Ähnlichkeiten
  • Ranking-Algorithmen

Literaturvorschläge:

  • Witten, Frank. Data Mining. Practical Machine Learning Tools and Techniques. Elsevier, 2005.
  • Mitchell, Tom: "Machine Learning", McGraw-Hill, 1997.
  • Bishop: "Pattern recognition and machine learning", Springer, 2007.
  • Duda/Hart: "Pattern Classification (2nd Edition)", Wiley, 200.
  • Ralf Herbich: "Learning kernel classifiers", MIT Press, 2002.
  • Andreas Zell: "Simulation Neuronaler Netze", Addison Wesley, 1994.
  • Hans Otto Georgii: "Stochastik", Gruyter, 2007.
  • Schölkopf et al., Kernel Methods in Computational Biology, 2004.
  • UCI Machine Learning Group

Stilvorlage

  • Für die Erstellung der Ausarbeitungmit Word97/2000 gibt es hier eine Stilvorlage( Word97-Format, 27kB).
  • Wenn Sie eine andere Textverarbeitungbevorzugen, orientieren Sie sich bitte an diesem Muster ( PDF-Format, 13kB).
  • Für Latex-Fans gibt es einen Stylemit kleinem Demo.