• Main
• WS09_MaschinellesLernen1

Vorlesung Einführung in Maschinelles Lernen

Termine und Informationen

Es handelt sich um eine integrierte Vorlesung mit Übung. Dieser Kurs ist eine Basisveranstaltung. Siehe auch den Eintrag im Vorlesungsverzeichnis

Es gibt eine Google group, in der aktuelle Ankündigungen zur Vorlesung zu finden sind. Dort können auch Fragen gestellt werden (z.B. Fehler auf dem Aufgabenblatt). Man muß angemeldet sein, um die Inhalte lesen zu können, der Zugang ist jedoch jedem offen.

Themen

Die Vorlesung behandelt einführende Themen im Bereich des maschinellen Lernens.

Im Einzelnen wird sich die Vorlesung mit den folgenden Themen beschäftigen:

• Grundlagen Wahrscheinlichkeitstheorie
• Maximum Likelihood Schätzer und Bayes'sche Inferenz
• Hauptkomponentenanalyse
• Faktoranalyse
• K-means Clustering
• Lineare Diskriminanzanalyse
• K-nächste Nachbarklassifikation
• Least Mean Squares Klassifikation
• Fisher Diskriminanten
• Regression
• Modellselektion
• Supportvektormaschinen
• Radialbasisfunktionsnetze
• Gauss'sche Prozesse

Im Anschluss an die Vorlesung findet die Übung statt, in der die erlernten Methoden vertieft werden.

Vorkenntnisse

Kenntnisse in Linearer Algebra und Grundkenntnisse in Wahrscheinlichkeitsrechnungsind werden vorausgesetzt. Zur Lösung eines Teils der Hausaufgaben werden Kenntnisse in einer mathematischen/statistischen Software benötigt. Wir empfehlen die Benutzung von matlab bzw. octave. Letzteres ist unter www.octave.org frei erhältlich. Matlab ist auf dem vom irb verwalteten System installiert und kann mit /home/ml/ml/bin/matlab gestartet werden.

Übungen

Die Übungsleistung geht in die Gesamtbenotung ein. Mindestens 50% der Übungen müssen bearbeitet werden, um zur abschließenden mündlichen Prüfung zugelassen zu werden.

Einige Hinweise zu den Abgaben:

1. Die Lösungen zu theoretischen Aufgaben sind handschriftlich abzugeben.

2. Die praktischen Aufgaben werden über ein Webinterface abgegeben (wird jeweils bekanntgegeben).

3. Die Übungsblätter dürfen in Zweiergruppen bearbeitet und abgegeben werden, die Zusammensetzung sollte sich jedoch nicht ändern.

Darüber hinaus beachtet bitte folgende Hinweise:

• Die Lösungen sollten gut erklärt und strukturiert sein. Insbesondere sollte Programmcode auch ausreichend dokumentiert und den üblichen Konventionen entsprechend formatiert sein (z.B. Einrückungen).
• Natürlich müssen die Lösungen selbst erarbeitet und niedergeschrieben werden. Selbst wenn man sich "Anregungen" besorgt hat, muß der Lösungsweg selbst verstanden und unabhängig niedergeschrieben werden. Wörtliche Kopien anderer Lösungen oder aus dem Internet sind ein Vergehen, für das entsprechende Konsequenzen vorgesehen sind.
• Es kommt immer wieder vor, dass Studenten die Übungsaufgaben bearbeiten wollen, aber aus terminlichen Gründen nicht an der Übung selbst teilnehmen können. Bitte klärt das mit Eurem Übungsleiter ab und holt Eure Lösungen regelmäßig ab, um den Lernerfolg sicherzustellen.

Literatur und Links

Folgene Bücher geben eine umfassende Einführung in den Bereich des Maschinellen Lernens.

• Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.

• Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern Classification , Wiley (2. Auflage).

• Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001) The Elements of Statistical Learning, Springer.

Folgende Bücher geben eine umfassende Einführung in die Wahrscheinlichkeitstheorie und in die Statistik.

• G. Bamberg, F. Baur (2006) Statistik, Oldenbourg-Verlag, 12. Auflage

• L. Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage

• L. Wasserman (2004) All of Statistics, Springer

Die wichtigsten Gleichungen für das Rechnen mit Matrizen und insbesondere die Ableitungsregeln für höherdimensionale Funktionen findet man hier:

• K. B. Petersen, M. S. Pedersen (2007) The Matrix Cookbook. Technical University of Denmark [ externer link ]

Terminplan

Übungsblatter

• Blatt 1 Ein bißchen was zur Bayesformel und mehrdimensionalen Gaussverteilung

• Blatt 2 Maximum-Likelihood Schätzer

• Blatt 3 Hauptkomponentenanalyse

• Blatt 4 Programmskelett Independent-Component-Analyse

• Blatt 5 Programmskelett K-Means Clustering

• Blatt 6 Programmskelett Fisher's Diskriminanzanalyse

• Blatt 7 Programmskelett k-nächster Nachbarregel

• Blatt 8 Programmskelett Bias-Varianz-Zerlegung

• Blatt 9 Programmskelett Statistische Tests

• Blatt 10 Mercerkerne

• Blatt 11 Programmskelett Daten Support-Vektor-Maschinen

• Blatt 12 Kernel-Fisher's-Diskriminanzanalyse

• Blatt 13 Gausssche Prozesse

• Blatt 14 Graphische Modelle

• Blatt 15 Der EM-Algorithmus