• Main
• WS10_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 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.

Einige Hinweise zu den Abgaben:

1. Die Übungsblätter sind jede Woche bis Mittwoch 12:00 im Raum FR6061 abzugeben.

2. Die Lösungen zu theoretischen Aufgaben sind handschriftlich abzugeben.

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

4. Die Übungsblätter dürfen in festen Zweier- und Dreiergruppen bearbeitet und abgegeben werden.

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

Übungszettel

• Blatt 1 full_sheet01.pdf

• Blatt 2 full_sheet02.pdf

• Blatt 3 full_sheet03.pdf

• Blatt 4 full_sheet04.pdf sheet04.m

• Blatt 5 full_sheet05.pdf sheet05.m

• Blatt 6 full_sheet06.pdf sheet06.m

• Blatt 7 full_sheet07.pdf sheet07.m

• Blatt 8 full_sheet08.pdf sheet08.m

• Blatt 9 full_sheet09.pdf

• Blatt 10 full_sheet10.pdf sheet10.m sheet10_data.m

• Blatt 11 full_sheet11.pdf sheet11.m

• Blatt 12 full_sheet12.pdf sheet12.m

• Blatt 13 full_sheet13.pdf