|
Size: 3673
Comment:
|
Size: 3664
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 36: | Line 36: |
| Die Vorlesung wird mit einer mündlichen Prüfung abgeschlossen. 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. Die Vorlesung kann in Kombination mit einer anderen Veranstaltung auch als '''MODUL ML2''' absolviert werden (siehe [[http://www.eecs.tu-berlin.de/fileadmin/f4/fkIVdokumente/Module/fachgebiete/ML_Mueller.pdf|Modulbeschreibung]]) | Die Vorlesung wird mit einer mündlichen Prüfung abgeschlossen. 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. Die Vorlesung kann in Kombination mit einer anderen Veranstaltung auch als ''MODUL Maschinelles Lernen 2'' absolviert werden (siehe [[http://www.eecs.tu-berlin.de/fileadmin/f4/fkIVdokumente/Module/fachgebiete/ML_Mueller.pdf|Modulbeschreibung]]) |
| Line 45: | Line 45: |
| Fragen und Tipps zu den Übungen können auf einer [[http://groups.google.com/group/ml-tu|Google-Group]] besprochen werden. Man muss sich registrieren, um die Beiträge lesen zu können, aber jeder kann sich registrieren. | Fragen und Tipps zu den Übungen können auf einer [[http://groups.google.com/group/ml-tu|Google-Group]] besprochen werden. Man muss sich registrieren, um Beiträge lesen und schreiben zu können. |
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
- 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.
Übungen
Die Vorlesung wird mit einer mündlichen Prüfung abgeschlossen. 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. Die Vorlesung kann in Kombination mit einer anderen Veranstaltung auch als MODUL Maschinelles Lernen 2 absolviert werden (siehe Modulbeschreibung)
Einige Hinweise zu den Abgaben:
Die Übungsblätter sind jede Woche bis Montag 12:00 im Raum FR6061 abzugeben.
Die Lösungen zu theoretischen Aufgaben sind handschriftlich abzugeben.
Die praktischen Aufgaben sollen per Email (konrad+lehre@mlsec.org) und in Papierform abgegeben werden.
- Die Übungsblätter dürfen in festen Zweier- und Dreiergruppen bearbeitet und abgegeben werden.
Fragen und Tipps zu den Übungen können auf einer Google-Group besprochen werden. Man muss sich registrieren, um Beiträge lesen und schreiben zu können.
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 |
|