Differences between revisions 20 and 21
⇤ ← Revision 20 as of 2010-05-20 13:08:39 →
Size: 4286
Editor: MikioBraun
Comment:
← Revision 21 as of 2010-05-20 16:38:38 → ⇥
Size: 4290
Editor: PaulBuenau
Comment:
Deletions are marked like this. Additions are marked like this.
Line 62: Line 62:
 * Blatt 3: [[attachment:full_sheet03.pdf]] Stable Subspace Analysis [[attachment:ssa_simple.m]] [[attachment:ssa_data.mat]]  * Blatt 3: [[attachment:full_sheet03.pdf]] Stationary Subspace Analysis [[attachment:ssa_simple.m]] [[attachment:ssa_data.mat]]

Maschinelles Lernen - Theorie und Anwendung

Integrierte Vorlesung mit Übung

Termine und Dozenten

Termin:

Vorlesung: Dienstag, 10:00 - 12:00 Uhr, Beginn 13.04.2010

Übung: Dienstag, 12.00 - 14.00 Uhr, Beginn 13.04.2010

Raum:

FR 1002

Dozent:

Prof. Dr. Klaus-Robert Müller

Ansprechpartner:

Dr. Konrad Rieck, Dr. Mikio Braun

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

Introduction Overview

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

Stationary Subspace Analysis

Folien

4. Mai 2010

Canonical Correlation Analysis and Extensions

Folien

11. Mai 2010

Kerne für strukturierte Daten

Folien

18. Mai 2010

Maschinelles Lernen für Intrusion Detection

25. Mai 2010

Relevante Dimension im Kernelfeaturespace

31. Mai 2010

Text Mining

1. Juni 2010

Maschinelles Lernen in der Bioinformatik

8. Juni 2010

Maschinelles Lernen in der Bioinformatik

15. Juni 2010

Optimierungstheorie

22. Juni 2010

Large Scale Learning

29. Juni 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.

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