|
⇤ ← Revision 1 as of 2012-01-25 16:17:26
Size: 46
Comment:
|
Size: 1289
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 1: | Line 1: |
| Describe Main/SS12_MaschinellesLernen2 here. | == Maschinelles Lernen - Theorie und Anwendung == '''Integrierte Vorlesung mit Übung''' === Termine und Dozenten === ||<|2> '''Termin:''' || Vorlesung: Dienstag, 10:00 - 12:00 Uhr, Beginn 17.04.2011 || ||Übung: Dienstag, 12.00 - 14.00 Uhr, Beginn 17.04.2010|| || '''Raum:''' || FR 1002 || || '''Verantwortlicher:''' || [[http://ml.cs.tu-berlin.de/en/klaus/index.html|Prof. Dr. Klaus-Robert Müller]] || || '''Betreuer:''' || [[http://www.ml.tu-berlin.de/menue/mitglieder/franz_kiraly/|Dr. Franz Király]] || === 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: * 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 === Maschinelles Lernen 1 === Übungen === |
Maschinelles Lernen - Theorie und Anwendung
Integrierte Vorlesung mit Übung
Termine und Dozenten
Termin: |
Vorlesung: Dienstag, 10:00 - 12:00 Uhr, Beginn 17.04.2011 |
Übung: Dienstag, 12.00 - 14.00 Uhr, Beginn 17.04.2010 |
|
Raum: |
FR 1002 |
Verantwortlicher: |
|
Betreuer: |
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:
- 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
Maschinelles Lernen 1