IDA Wiki

Praktikum Maschinelles Lernen und Datenanalyse

Termin:

Montag 10:00 - 12:00 Uhr (Vorlesung), Mittwoch 10:00 - 12:00 Uhr (Gemeinsame Sprechstunde)

Raum:

FR 3001 (Montag 10:00 - 12:00 Uhr) und FR 6043 (Mittwoch 10:00 - 12:00 Uhr)

Dozent:

Prof. Dr. Klaus-Robert Müller

Ansprechpartner:

Dr. Mikio Braun und Paul von Bünau (buenau@cs.tu-berlin.de)

Im Praktikum Maschinelles Lernen und Datenanalyse soll der Prozess der explorativen Datenanalyse geübt werden. Der Schwerpunkt liegt auf den Themengebieten Visualisierung und Dimensionsreduktion, Klassifikation mit Neuronalen Netzen, Hidden-Markov-Modelle auf Genomdaten und Support-Vektor-Maschinen. Die Aufgaben sind kombinierte Programmier- und Simulationsaufgaben in Matlab.

Der Besuch des Kurses Einführung in die computergestützte Datenanalyse mit Matlab wird empfohlen. Grundlegende Kentnisse des Maschinellen Lernen sind sehr hilfreich, bei grossem Interesse und Engagement aber keine zwingende Voraussetzung.

Die Veranstaltung gliedert sich in zwei Teile: Eine Vorlesung, in der Methoden und Theorie der Aufgaben vermittelt werden (Montags 10:00 - 12:00 Uhr) und eine gemeinsame Sprechstunde (Mittwochs 10:00 - 12:00 Uhr), in der wir Fragen und Probleme besprechen, die bei der Bearbeitung der Aufgaben auftauchen.

Weitere Information findet Ihr im Informationsblatt.

Termine

Datum

Uhrzeit

Raum

Beschreibung

Montag, 14.04.

10:00 Uhr

FR 3001

Vorbesprechung, Ausgabe Übungsblatt 1

Mittwoch, 16.04.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 1 und Matlab Crash-Kurs

Mittwoch, 23.04.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 1

Montag, 28.04.

10:00 Uhr

Abgabeschluss Übungsblatt 1

Montag, 28.04.

10:00 Uhr

FR 3001

Vorlesung zu Übungsblatt 2

Mittwoch, 30.04.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 2

Mittwoch, 7.05.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 2

Mittwoch, 14.05.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 2

Montag, 19.05.

10:00 Uhr

Abgabeschluss Übungsblatt 2

Montag, 19.05.

10:00 Uhr

FR 3001

Vorlesung zu Übungsblatt 3

Mittwoch, 21.05.

10:00 Uhr

FR 6043

Besprechung der Lösung von Übungsblatt 2 (Haymo, Pascal), Gemeinsame Sprechstunde zu Übungsblatt 3

Mittwoch, 28.05.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 3

Montag, 2.06.

10:00 Uhr

Abgabeschluss Übungsblatt 3

Montag, 2.06.

10:00 Uhr

FR 3001

Vorlesung zu Übungsblatt 4

Mittwoch, 4.06.

10:00 Uhr

FR 6043

Besprechung der Lösung von Übungsblatt 3 (Anna, Nico), Gemeinsame Sprechstunde zu Übungsblatt 4

Mittwoch, 11.06.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 4

Mittwoch, 18.06.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 4

Montag, 23.06.

10:00 Uhr

Abgabeschluss Übungsblatt 4

Montag, 23.06.

10:00 Uhr

FR 3001

Vorlesung zu Übungsblatt 5

Mittwoch, 25.06.

10:00 Uhr

FR 6043

Besprechung der Lösung von Übungsblatt 4 (Ruben, Nikolay), Gemeinsame Sprechstunde zu Übungsblatt 5

Mittwoch, 2.07.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 5

Montag, 7.07.

10:00 Uhr

Abgabeschluss Übungsblatt 5

Montag, 7.07.

10:00 Uhr

FR 3001

Vorlesung zu Übungsblatt 6

Mittwoch, 9.07.

10:00 Uhr

FR 6043

Besprechung der Lösung von Übungsblatt 5 (David, Fabian), Gemeinsame Sprechstunde zu Übungsblatt 6

Mittwoch, 16.07.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 6

Mittwoch, 23.07.

10:00 Uhr

FR 6043

Gemeinsame Sprechstunde zu Übungsblatt 6

Freitag, 1.8.

10:00 Uhr

Abgabeschluss Übungsblatt 6

Montag, 11.8.

10:00 Uhr

FR 6043

Besprechung der Lösung von Übungsblatt 6 (Tilman, Mathias)

Material

#InfoBlatt

Übungsblätter

Datensätze

Tests

Allgemeine Literaturempfehlungen zum Machine Learning

Als allgemeine Einführung in Theorie und Methoden des Maschinellen Lernens empfehlen wir die folgenden Lehrbücher.

Skript

Ergebnisse

Matrikel-Nr.

*Übungsblatt 1*

*Übungsblatt 2*

*Übungsblatt 3*

*Übungsblatt 4*

*Übungsblatt 5*

*Übungsblatt 6*

Summe

Prozentual

727745

50

20

47

19

25

50

%CALC{"$SUM(R2:C2..R2:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R2:C2..R2:C7)/310))"}%%

197818

37

10

6

17

28

39

%CALC{"$SUM(R3:C3..R3:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R3:C2..R3:C7)/310))"}%%

3903518

43

13

35

27

28

0

%CALC{"$SUM(R4:C2..R4:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R4:C2..R4:C7)/310))"}%%

201744

46

43

44

51

50

21

%CALC{"$SUM(R5:C2..R5:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R5:C2..R5:C7)/310))"}%%

199928

46

43

44

51

50

21

%CALC{"$SUM(R6:C2..R6:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R6:C2..R6:C7)/310))"}%%

223816

42

50

30

45

50

>=38

%CALC{"$SUM(R7:C2..R7:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R7:C2..R7:C7)/310))"}%%

307066

33

20

41

47

28

50

%CALC{"$SUM(R8:C2..R8:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R8:C2..R8:C7)/310))"}%%

222481

35

45

36

36

44

50

%CALC{"$SUM(R9:C2..R9:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R9:C2..R9:C7)/310))"}%%

206111

35

45

40

36

33

0

%CALC{"$SUM(R10:C2..R10:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R10:C2..R10:C7)/310))"}%%

195524

26

4

18

0

0

0

%CALC{"$SUM(R11:C2..R11:C7)"}%

%CALC{"$FORMAT(COMMA, 1, $EVAL(100*$SUM(R11:C2..R11:C7)/310))"}%%


Interna (Mikio & Paul)