Differences between revisions 30 and 36 (spanning 6 versions)
⇤ ← Revision 30 as of 2009-06-16 13:53:28 →
Size: 4633
Editor: MikioBraun
Comment:
← Revision 36 as of 2009-07-07 13:56:30 → ⇥
Size: 4811
Editor: MikioBraun
Comment:
Deletions are marked like this. Additions are marked like this.
Line 53: Line 53:
|| 30. Juni 2009 || Gauss Prozesse || ||
|| 7. Juli 2009 || Anwendung in Computational Chemistry || ||
|| 14. Juli 2009 || Optimierungstheorie || ||
|| ?. Juli 2009 || Large Scale Learning || ||
|| ?. Juli 2009 || Boosting und Ensemble-Verfahren || ||
 || 30. Juni 2009 || Optimierungstheorie || Folien [[attachment:optim-intro.pdf]] ||
|| 7. Juli 2009 || Large Scale Learning || Folien [[attachment:largescale.pdf]] ||
|| 14. Juli 2009 || || ||
Line 72: Line 69:
 * Übungsblatt 10: [[attachment:sheet10.pdf]] [[attachment:sheet10.m|Programmskelett sheet10.m]] [[attachment:splice.zip|Splice-Datensatz]]
 * Übungsblatt 11: [[attachment:sheet11.pdf]] [[attachment:sheet11.m|Programmskelett sheet11.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

Folien textmining.pdf

16. Juni 2009

Maschinelles Lernen in der Bioinformatik

Folien bioinf.pdf

23. Juni 2009

Maschinelles Lernen in der Bioinformatik

Folien bioinf.pdf

30. Juni 2009

Optimierungstheorie

Folien optim-intro.pdf

7. Juli 2009

Large Scale Learning

Folien largescale.pdf

14. Juli 2009

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)