Diff for "Main/SS10_MaschinellesLernen2"

Differences between revisions 2 and 3

Maschinelles Lernen - Theorie und Anwendung

Integrierte Vorlesung mit Übung

Termine und Dozenten

Termin:	Vorlesung: Dienstag, 10:00 - 12:00 Uhr, Beginn 13.04.2010
Termin:	Übung: Dienstag, 12.00 - 14.00 Uhr, Beginn 13.04.2010
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
13. April 2010	Non-linear maps	LLE
20. April 2019	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
27. April 2019	Wiederholung maschinelles Lernen	Folien recap2.pdf
4. Mai 2010	Halbüberwachtes Lernen und Anwendungen	Folien ssl2.pdf
11. Mai 2010	Kerne für strukturierte Daten	Folien structured2.pdf
18. Mai 2010	Maschinelles Lernen für Intrusion Detection	Folien intrusion.pdf
25. Mai 2010	Relevante Dimension im Kernelfeaturespace	Folien kld-tutorial.pdf
31. Mai 2010	Text Mining	Folien textmining.pdf
1. Juni 2010	Maschinelles Lernen in der Bioinformatik	Folien bioinf.pdf
8. Juni 2010	Maschinelles Lernen in der Bioinformatik	Folien bioinf.pdf
15. Juni 2010	Optimierungstheorie	Folien optim-intro.pdf
22. Juli 2010	Large Scale Learning	Folien largescale.pdf
29. Juli 2010

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

IDA Wiki: Main/SS10_MaschinellesLernen2 (last edited 2011-04-27 14:05:33 by PaulBuenau)

-  ⇤ ← Revision 2 as of 2010-04-07 12:36:32 → 
  Size: 4982
  Editor: MikioBraun
  Comment:
+   ← Revision 3 as of 2010-04-07 12:37:13 → ⇥
  Size: 4985
  Editor: MikioBraun
  Comment:
-Deletions are marked like this.
+Additions are marked like this.
 Line 32:
-Vorausgesetzt werden Kenntnisse des Maschinellen Lernens (etwa im Rahmen der Veranstaltung [[Main/MaschinellesLernenW08|Maschinelles Lernen I]]) und gute Mathematikkenntnisse, insbesondere Wahrscheinlichkeitsrechnung, Statistik, Linear Algebra. Zur Bearbeitung der Übngsaufgaben sind Programmierkenntnisse in Matlab erforderlich, die im Kurs [[Main/SS10_MatlabKurs|Einführung in die computergestützte Datenanalyse mit Matlab]] vermittelt werden.
+Vorausgesetzt werden Kenntnisse des Maschinellen Lernens (etwa im Rahmen der Veranstaltung [[Main/WS09_MaschinellesLernen1|Maschinelles Lernen I]]) und gute Mathematikkenntnisse, insbesondere Wahrscheinlichkeitsrechnung, Statistik, Linear Algebra. Zur Bearbeitung der Übngsaufgaben sind Programmierkenntnisse in Matlab erforderlich, die im Kurs [[Main/SS10_MatlabKurs|Einführung in die computergestützte Datenanalyse mit Matlab]] vermittelt werden.