Differences between revisions 2 and 24 (spanning 22 versions)
⇤ ← Revision 2 as of 2009-04-20 12:53:55 →
Size: 1927
Editor: MikioBraun
Comment:
← Revision 24 as of 2009-06-02 09:32:02 → ⇥
Size: 4238
Editor: MikioBraun
Comment:
Deletions are marked like this. Additions are marked like this.
Line 37: Line 37:

=== Vorlesungsplan ===

Vorläufige Planung der Vorlesungen

|| '''Termin''' || '''Thema''' || '''Materialien''' ||
|| 21. April 2009 || Non-linear maps || [[http://www.cs.toronto.edu/~roweis/lle/|LLE]] ||
|| 28. April 2009 || Non-linear maps, non-metric data, empirical kernel map || Siehe auch "Introduction to Machine Learning", "Concepts of Probability for Machine Learning" [[Main/MaschinellesLernenW08|hier]]. Link zu [[http://ticc.uvt.nl/~lvdrmaaten/Laurens_van_der_Maaten/t-SNE.html|t-SNE]]||
|| 5. Mai 2009 || Wiederholung maschinelles Lernen || Folien [[attachment:recap2.pdf]] ||
|| 12. Mai 2009 || Halbüberwachtes Lernen und Anwendungen || Folien [[attachment:ssl2.pdf]] ||
|| 19. Mai 2009 || Kerne für strukturierte Daten || Folien [[attachment:structured2.pdf]] ||
|| 26. Mai 2009 || Maschinelles Lernen für Intrusion Detection || Folien [[attachment:intrusion.pdf]] ||
|| 2. Juni 2009 || Relevante Dimension im Kernelfeaturespace || Folien [[attachment:kld-tutorial.pdf]] ||
|| 9. Juni 2009 || Text Mining || ||
|| 13. Juni 2009 || Maschinelles Lernen in der Bioinformatik || ||
|| 23. Juni 2009 || Gauss Prozesse || ||
|| 30. Juni 2009 || Anwendung in Computational Chemistry || ||
|| 7. Juni 2009 || Optimierungstheorie || ||
|| 14. Juli 2009 || Large Scale Learning || ||
|| ?. Juli 2009 || Boosting und Ensemble-Verfahren || ||

=== Übungen ===

Die Vorlesung wird in einer mündlichen Prüfung abgeprüft. Voraussetzung hierfür ist die erfolgreiche Teilnahme an der Übung. Dies bedeutet, dass 50% der Übungsaufgaben erfolgreich bearbeitet werden müssen und mindestens eine Aufgabe an der Tafel erklärt werden muß.

 * Übungsblatt 1: [[attachment:sheet01.pdf]]
 * Übungsblatt 2: [[attachment:sheet02.pdf]] [[attachment:sheet02.m|Programmskelett sheet02.m]]
 * Übungsblatt 3: [[attachment:sheet03.pdf]] [[attachment:sheet03.m|Programmskelett sheet03.m]]
 * Übungsblatt 4: [[attachment:sheet04.pdf]] (korrigierte Version) [[attachment:sheet04.m|Programmskelett sheet04.m]]
 * Übungsblatt 5: [[attachment:sheet05.pdf]]
 * Übungsblatt 6: [[attachment:sheet06.pdf]] [[attachment:sheet06.m|Programmskelett sheet06.m]] [[attachment:stud-data.mat.gz]]
 * Übungsblatt 7: [[attachment:sheet07.pdf]] [[attachment:sheet07.m|Programmskelett sheet07.m]]

Maschinelles Lernen - Theorie und Anwendung

Integrierte Vorlesung mit Übung

Termine und Dozenten

Termin:

Vorlesung: Dienstag, 10:00 - 12:00 Uhr, Beginn 21.04.2008

Übung: Dienstag, 12.00 - 14.00 Uhr, Beginn 21.04.2008

Raum:

FR 1002

Dozent:

Prof. Dr. Klaus-Robert Müller [ link ]

Ansprechpartner:

Dr. Mikio Braun [ link ]

Themen

In dieser Vorlesungen werden weiterführende Themen des Maschinellen Lernens behandelt. Ein besonderer Schwerpunkt wird auf die Anwendung gelegt werden. Mehrere erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen, und auf die jeweiligen Besonderheiten wird eingegangen. Unter anderem werden folgende Themen behabdelt:

  • halbüberwachtes Lernen
  • Boosting-Verfahren
  • Optimierungstheorie
  • Kernmethoden für strukturierte Daten
  • Lernen auf strukturierten Daten
  • Graphische Modelle

Beispiele für erfolgreiche Anwendungen sind unter anderem

  • Bioinformatik
  • Erkennen von Angriffen in Computernetzwerken
  • Textmining

Voraussetzungen

Vorausgesetzt werden Kenntnisse des Maschinellen Lernens (etwa im Rahmen der Veranstaltung Maschinelles Lernen I) und gute Mathematikkenntnisse, insbesondere Wahrscheinlichkeitsrechnung, Statistik, Linear Algebra. Zur Bearbeitung der Übngsaufgaben sind Programmierkenntnisse in Matlab erforderlich, die im Kurs Einführung in die computergestützte Datenanalyse mit Matlab vermittelt werden.

Weitere Informationen

Für die Lehre wurde eine Google-Group eingerichtet. Man muß sich registrieren, um die Beiträge lesen zu können, aber jeder kann sich registrieren.

Vorlesungsplan

Vorläufige Planung der Vorlesungen

Termin

Thema

Materialien

21. April 2009

Non-linear maps

LLE

28. April 2009

Non-linear maps, non-metric data, empirical kernel map

Siehe auch "Introduction to Machine Learning", "Concepts of Probability for Machine Learning" hier. Link zu t-SNE

5. Mai 2009

Wiederholung maschinelles Lernen

Folien recap2.pdf

12. Mai 2009

Halbüberwachtes Lernen und Anwendungen

Folien ssl2.pdf

19. Mai 2009

Kerne für strukturierte Daten

Folien structured2.pdf

26. Mai 2009

Maschinelles Lernen für Intrusion Detection

Folien intrusion.pdf

2. Juni 2009

Relevante Dimension im Kernelfeaturespace

Folien kld-tutorial.pdf

9. Juni 2009

Text Mining

13. Juni 2009

Maschinelles Lernen in der Bioinformatik

23. Juni 2009

Gauss Prozesse

30. Juni 2009

Anwendung in Computational Chemistry

7. Juni 2009

Optimierungstheorie

14. Juli 2009

Large Scale Learning

?. Juli 2009

Boosting und Ensemble-Verfahren

Übungen

Die Vorlesung wird in einer mündlichen Prüfung abgeprüft. Voraussetzung hierfür ist die erfolgreiche Teilnahme an der Übung. Dies bedeutet, dass 50% der Übungsaufgaben erfolgreich bearbeitet werden müssen und mindestens eine Aufgabe an der Tafel erklärt werden muß.

IDA Wiki: Main/SS09_MaschinellesLernen2 (last edited 2009-07-07 13:57:09 by MikioBraun)