IDA Wiki

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 21.10.2010)

Raum

FR 7039

Übung

Donnerstags, 12 - 14 (ab 21.10.2010)

Raum

FR 7039

Dozenten

Prof. Dr. Klaus-Robert Müller

Dr. Mikio Braun

Dr. Konrad Rieck

Sprechzeiten

Prof. Dr. Klaus-Robert Müller: nach Vereinbarung

Dr. Konrad Rieck: 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:

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:

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

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

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

Terminplan

Datum

Thema

Material

28. 10. 2010

Einführung und die Bayesregel

4. 11. 2010

Diskriminanzfunktionen und Maximum-Likelihood

11. 11. 2010

Principal Component Analysis

18. 11. 2010

Clustering

clustering_slides.pdf

25.11. 2010

Independent Component Analysis

 ica_slides.pdf

02.12. 2010

Fisher-Diskriminanzanalyse

 FDA and LSR.pdf

09.12. 2010

k-nächste Nachbarregel, Regression

16.12. 2010

Modellselektion

6. 1. 2011

Statistische Lerntheorie, Kernfunktionen

kernel_intro.pdf

13. 1. 2011

Kernbasiertes Lernen: SVM, KPCA, KFDA

lect_kernels.pdf

20. 1. 2011

Neuronale Netze: Perceptron, Backpropagation

lect_kernels.pdf

27. 1. 2011

Neuronale Netze: RBF-Netze, Tricks

efficient_backprop.pdf

3. 2. 2011

Gaußsche Prozesse

10. 2. 2011

Relevant Dimension Estimation

rde-tutorial.pdf

Übungszettel

IDA Wiki: Main/WS10_MaschinellesLernen1 (last edited 2011-02-13 09:07:34 by KonradRieck)