|
⇤ ← Revision 1 as of 2011-02-02 20:49:50
Size: 2333
Comment:
|
Size: 3039
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 44: | Line 44: |
| || 12.4. || Locally Linear Embedding || || || 19.4.|| Stationary Subspace Analysis || || || 26.4. || Canoncial Correlation Analysis || || || 03.5. || Blind Source Separation of Audio Signals || || || 10.5. || Factor Analysis on Financial Data || || || 17.5. || Deep Learning || || || 24.5. || Kernels for Structured Data || || || 31.5. || Machine Learning for Computer Security || || 07.6. || Machine Learning for Bioinformatics || || || 14.6. || Optimization Theory || || || 21.6. || Multiple-Kernel Learning || || || 28.6. || On Autonomous Robots || || || 05.7. || Structured Prediction || || || 12.7. || Machine Learning for Chemoinformatics || || |
Maschinelles Lernen - Theorie und Anwendung
Integrierte Vorlesung mit Übung
Termine und Dozenten
Termin: |
Vorlesung: Dienstag, 10:00 - 12:00 Uhr, Beginn 12.04.2011 |
Übung: Dienstag, 12.00 - 14.00 Uhr, Beginn 12.04.2010 |
|
Raum: |
FR 1002 |
Dozent: |
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:
- Dimensionsreduktion
- Blind-Source-Separation
- Deep Learning
- Kernmethoden für strukturierte Daten
- Multiple-Kernel Learning
- Strukturierte Vorhersage
- Optimierungstheorie
Beispiele für erfolgreiche Anwendungen sind unter anderem
- Signalverarbeitung
- Bioinformatik
- Netzwerksicherheit
- Chemoinformatik
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 |
12.4. |
Locally Linear Embedding |
|
19.4. |
Stationary Subspace Analysis |
|
26.4. |
Canoncial Correlation Analysis |
|
03.5. |
Blind Source Separation of Audio Signals |
|
10.5. |
Factor Analysis on Financial Data |
|
17.5. |
Deep Learning |
|
24.5. |
Kernels for Structured Data |
|
31.5. |
Machine Learning for Computer Security |
|
07.6. |
Machine Learning for Bioinformatics |
|
14.6. |
Optimization Theory |
|
21.6. |
Multiple-Kernel Learning |
|
28.6. |
On Autonomous Robots |
|
05.7. |
Structured Prediction |
|
12.7. |
Machine Learning for Chemoinformatics |
|
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.