Differences between revisions 12 and 36 (spanning 24 versions)
⇤ ← Revision 12 as of 2009-11-05 10:40:21 →
Size: 5353
Editor: MikioBraun
Comment:
← Revision 36 as of 2010-02-03 21:24:02 → ⇥
Size: 7887
Editor: PaulBuenau
Comment:
Deletions are marked like this. Additions are marked like this.
Line 81: Line 81:
=== Weitere Unterlagen zur Vorlesung === === Terminplan ===
Line 83: Line 83:
== Übungsblatter == || '''Datum''' || '''Thema''' || '''Material''' ||
|| 15. 10. 2009 || Einführung und die Bayesregel || ||
|| 22. 10. 2009 || Diskriminanzfunktionen und Maximum-Likelihood || ||
|| 29. 10. 2009 || Principal Component Analysis || ||
|| 5. 11. 2009 || Independent Component Analysis || ||
|| 12. 11. 2009 || Clustering || [[attachment:clustering_slides.pdf]] ||
|| 19. 11. 2009 || Klassifizierung, Fisher-Diskriminanzanalyse || [[attachment:FDA_and_LSR.pdf]] ||
|| 26. 11. 2009 || k-nächste Nachbarregel, Regression || ||
|| 3. 12. 2009 || Modellselektion und Verlustfunktion || ||
|| 10. 12. 2009 || Statistisches Testen || [[attachment:p-values.pdf]] ||
|| 17. 12. 2009 || Statistische Lerntheorie || [[attachment:lect_kernelmethods.pdf]] ||
|| 7. 1. 2009 || Kerntrick und Support-Vektor-Machines, Kernel-PCA, Kernel-FDA || ||
|| 14. 1. 2009 || Neuronale Netze und Radialbasisfunktionsnetze || ||
|| 21. 1. 2009 || Gausssche Prozesse || [[http://www.kyb.mpg.de/publications/pdfs/pdf2903.pdf|Paper "Gaussian Processes in Machine Learning"]], [[http://www.gaussianprocess.org/gpml/|Online Buch "Gaussian Processes for Machine Learning"]] ||
|| 28. 1. 2009 || Graphische Modelle || [[attachment:bayes_net_slides.pdf]] ||
|| 4. 2. 2009 || Expectation-Maximization-Algorithmus und Mixturmodelle || ||
|| 11. 2. 2009 || Zusammenfassung und Ausblick || ||
Line 85: Line 101:
   * [[attachment:full_sheet01.pdf|Blatt 1]]
   * [[attachment:full_sheet02.pdf|Blatt 2]]
   * [[attachment:full_sheet03.pdf|Blatt 3]]
   * [[attachment:full_sheet04.pdf|Blatt 4]] [[attachment:sheet04.m|Programmskelett]]		 === Übungsblatter ===

   * [[attachment:full_sheet01.pdf|Blatt 1]] Ein bißchen was zur Bayesformel und mehrdimensionalen Gaussverteilung
   * [[attachment:full_sheet02.pdf|Blatt 2]] Maximum-Likelihood Schätzer
   * [[attachment:full_sheet03.pdf|Blatt 3]] Hauptkomponentenanalyse
   * [[attachment:full_sheet04.pdf|Blatt 4]] [[attachment:sheet04.m|Programmskelett]] Independent-Component-Analyse
   * [[attachment:full_sheet05.pdf|Blatt 5]] [[attachment:sheet05.m|Programmskelett]] K-Means Clustering
   * [[attachment:full_sheet06.pdf|Blatt 6]] [[attachment:sheet06.m|Programmskelett]] Fisher's Diskriminanzanalyse
   * [[attachment:full_sheet07.pdf|Blatt 7]] [[attachment:sheet07.m|Programmskelett]] k-nächster Nachbarregel
   * [[attachment:full_sheet08.pdf|Blatt 8]] [[attachment:sheet08.m|Programmskelett]] Bias-Varianz-Zerlegung
   * [[attachment:full_sheet09.pdf|Blatt 9]] [[attachment:sheet09.m|Programmskelett]] Statistische Tests
   * [[attachment:full_sheet10.pdf|Blatt 10]] Mercerkerne
   * [[attachment:full_sheet11.pdf|Blatt 11]] [[attachment:sheet11.m|Programmskelett]] [[attachment:sheet11_data.m|Daten]] Support-Vektor-Maschinen
   * [[attachment:full_sheet12.pdf|Blatt 12]] Kernel-Fisher's-Diskriminanzanalyse
   * [[attachment:full_sheet13.pdf|Blatt 13]] Gausssche Prozesse
   * [[attachment:blatt14.pdf|Blatt 14]] Graphische Modelle
   * [[attachment:blatt15.pdf|Blatt 15]] Der EM-Algorithmus

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

Vorlesung

Donnerstags, 10 - 12 (ab 15.10.2009)

Raum

FR 7039

Übung

Donnerstags, 12 - 14 (ab 15.10.2009)

Raum

FR 7039

Dozenten

Prof. Dr. Klaus-Robert Müller

Dr. Mikio Braun

Sprechzeiten

Prof. Dr. Klaus-Robert Müller: nach Vereinbarung

Dr. Mikio Braun: nach Vereinbarung

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.

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

Datum

Thema

Material

15. 10. 2009

Einführung und die Bayesregel

22. 10. 2009

Diskriminanzfunktionen und Maximum-Likelihood

29. 10. 2009

Principal Component Analysis

5. 11. 2009

Independent Component Analysis

12. 11. 2009

Clustering

clustering_slides.pdf

19. 11. 2009

Klassifizierung, Fisher-Diskriminanzanalyse

FDA_and_LSR.pdf

26. 11. 2009

k-nächste Nachbarregel, Regression

3. 12. 2009

Modellselektion und Verlustfunktion

10. 12. 2009

Statistisches Testen

p-values.pdf

17. 12. 2009

Statistische Lerntheorie

lect_kernelmethods.pdf

7. 1. 2009

Kerntrick und Support-Vektor-Machines, Kernel-PCA, Kernel-FDA

14. 1. 2009

Neuronale Netze und Radialbasisfunktionsnetze

21. 1. 2009

Gausssche Prozesse

Paper "Gaussian Processes in Machine Learning", Online Buch "Gaussian Processes for Machine Learning"

28. 1. 2009

Graphische Modelle

bayes_net_slides.pdf

4. 2. 2009

Expectation-Maximization-Algorithmus und Mixturmodelle

11. 2. 2009

Zusammenfassung und Ausblick

Übungsblatter

IDA Wiki: Main/WS09_MaschinellesLernen1 (last edited 2010-02-04 11:34:00 by PaulBuenau)