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 |
|
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.
Übungsblatt 1: sheet01.pdf
Übungsblatt 2: sheet02.pdf Programmskelett sheet02.m
Übungsblatt 3: sheet03.pdf Programmskelett sheet03.m
Übungsblatt 4: sheet04.pdf (korrigierte Version) Programmskelett sheet04.m
Übungsblatt 5: sheet05.pdf
Übungsblatt 6: sheet06.pdf Programmskelett sheet06.m stud-data.mat.gz
Übungsblatt 7: sheet07.pdf Programmskelett sheet07.m
Übungsblatt 8: sheet08.pdf Programmskelett sheet08.py Programmskelett sheet08.m data.tar.gz
Übungsblatt 9: sheet09.pdf
Übungsblatt 10: sheet10.pdf Programmskelett sheet10.m Splice-Datensatz
Übungsblatt 11: sheet11.pdf Programmskelett sheet11.m alpha_train_x.txt.bz2 alpha_train_y.txt.bz2