|
Size: 3199
Comment:
|
Size: 3399
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 7: | Line 7: |
| ||<|2> '''Termin:''' ||Vorbesprechung 11.04.2012, 16:00 - 18:00 || | ||<|2> '''Termin:''' ||Präsentationen 04.07.2012, 10:00 - 13:00 || |
| Line 22: | Line 22: |
| === Slides der Vorbesprechung === Enthält alle Abstracts der zur Auswahl stehenden Papers. [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/KA_Seminar.pdf|Slides]] |
|
| Line 23: | Line 26: |
| || '''Thema''' || '''Betreuer''' || '''Student''' || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Oja1982.pdf|A simplified neuron model as a principal component analyzer]] || || || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Adelson1985.pdf|Spatiotemporal energy models for the perception of motion]] || || || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Turk1991.pdf|Eigenfaces for Recognition]]|| || || |
|| '''Thema''' || '''Student''' || '''Betreuer''' || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Oja1982.pdf|A simplified neuron model as a principal component analyzer]] || Tongxin Son || || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Adelson1985.pdf|Spatiotemporal energy models for the perception of motion]] || || || || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Turk1991.pdf|Eigenfaces for Recognition]]|| Min Zheng|| || |
| Line 31: | Line 34: |
| || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Mika_1999_Proceedings.pdf|Kernel PCA and De--Noising in Feature Spaces]]|| || || | || [[http://www.user.tu-berlin.de/felix.biessmann/downloads/AKA/Mika1998.pdf|Kernel PCA and De--Noising in Feature Spaces]]|| Sha Huang|| || |
Anwendungen Kognitiver Algorithmen
Blockseminar
Termine und Dozenten
Termin: |
Präsentationen 04.07.2012, 10:00 - 13:00 |
Raum: FR 6046 |
|
Verantwortlicher: |
|
Betreuer: |
Themen
Computerprogramme können nützliche kognitive Fähigkeiten lernen. Dieses Seminar erlaubt eine vertiefende Einarbeitung in spezielle Anwendungsgebiete von Algorithmen aus dem Bereich des Maschinellen Lernens wie etwa automatisierte Informationsextraktion aus Texten, Mustererkennung in hochdimensionalen Daten, explorative Datenanalyse.
Unter Anleitung wird englischsprachige Fachliteratur über ausgewählte Anwendungsbeispiele zu analysieren, kritisch zu evaluieren und verständlich zu präsentieren sein.
Voraussetzungen
Grundlegende Konzepte der Wahrscheinlichkeitsrechnung, Statistik und Linearer Algebra.
Slides der Vorbesprechung
Enthält alle Abstracts der zur Auswahl stehenden Papers. Slides