IDA Wiki

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

Verantwortlicher:

Prof. Dr. Klaus-Robert Müller

Betreuer:

Dr. Konrad Rieck, Irene Winkler

Themen

In dieser Vorlesungen werden weiterführende Themen des Maschinellen Lernens behandelt. Ein besonderer Schwerpunkt wird hierbei auf Anwendungen gelegt. Mehrere erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen und auf die jeweiligen Besonderheiten wird eingegangen. Unter anderem werden folgende Themen behandelt:

Beispiele für erfolgreiche Anwendungen sind unter anderem

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:

  1. Die Übungsblätter sind jede Woche bis Montag 12:00 bei dem Raum FR6061 (Briefkasten) abzugeben.

  2. Die Lösungen zu theoretischen Aufgaben sind handschriftlich abzugeben.

  3. Die praktischen Aufgaben sollen per Email (ml-ml2@lists.tu-berlin.de) und in Papierform abgegeben werden.

  4. 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 Vorlesunge

Termin

Thema

Materialien

12.4.

Locally Linear Embedding

Introduction Overview

19.4.

Canonical Correlation Analysis

Folien

26.4.

Stationary Subspace Analysis

Folien

03.5.

Blind Source Separation of Audio Signals

Folien, Buchkapitel

10.5.

Factor Analysis on Financial Data

siehe Bishop Kapitel 12.2, 9.4

17.5.

Deep Learning

Folien

24.5.

Kernels for Structured Data

Folien

31.5.

Machine Learning for Computer Security

Folien

07.6.

Optimization Theory

Folien

14.6.

Multiple Kernel Learning

Folien

21.6.

Machine Learning for Bioinformatics

Folien

28.6.

On Autonomous Robots 

05.7.

Structured Prediction

Folien, Paper von Rabiner

12.7.

Machine Learning for Chemoinformatics

Folien

Übungszettel

IDA Wiki: Main/SS11_MaschinellesLernen2 (last edited 2011-07-20 11:26:15 by IreneWinkler)