Proseminar: Machine Learning
Dozent |
|
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(
, 27kB).
- Wenn Sie eine andere Textverarbeitungbevorzugen,
orientieren Sie sich bitte an diesem Muster (
, 13kB).
- Für
-Fans gibt es einen Stylemit kleinem Demo.