|
Size: 637
Comment:
|
Size: 1597
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 10: | Line 10: |
| ||'''Anrechenbarkeit''|| Wahlpflicht LV im Modul Maschinelles Lernen I (Informatik M.Sc.) || | ||'''Anrechenbarkeit''|| Modul Projekt Machine Learning (wird zur Zeit akkreditiert), bzw. im Rahmen von Diplomstudiengängen || |
| Line 13: | Line 13: |
Ziel des Projektes ist, eine Vorhersageverfahren (Regression/Klassifikation) für eine reale Anwendung zu entwickeln, auf Basis der [[http://www.shogun-toolbox.org/|Open-Source Machine Learning toolbox shogun]]. Dazu wird ein realer Rohdatensatz gegeben. Das Projekt ist in die folgenden drei aufeinander aufbauenden Meilensteine unterteilt. * Extraktion von vektoriellen Merkmalsvektoren aus den Rohdaten; univariate und multivariate Bewertung dieser Merkmale. * Evaluierung und Vergleich verschiedener Vorhersagemethodiken, Entwicklung geeigneter Bewertungsan-sätze und Gütemasse. * Begründete Auswahl und abschließende Bewertung einer bestimmten Vorhersagemethodik. Im Unterschied zum Praktikum liegt der Schwerpunkt nicht auf der Implementierung von Machine Learning-Methoden, sondern auf Datenaufbereitung, Anwendung, Bewertung und Auswahl von Methoden, sowie Präsentation der Ergebnisse. |
Projekt Machine Learning
Termine und Informationen
Erster Termin für Themenvergabe |
Mittwoch, 19.10.2011, 10:00-12:00 Uhr, Raum FR 6046 |
Verantwortlich |
|
Ansprechtpartner(in) |
|
Sprechzeiten |
Nach Vereinbarung |
Sprache |
Englisch |
Anrechenbarkeit |
Modul Projekt Machine Learning (wird zur Zeit akkreditiert), bzw. im Rahmen von Diplomstudiengängen |
Inhalt
Ziel des Projektes ist, eine Vorhersageverfahren (Regression/Klassifikation) für eine reale Anwendung zu entwickeln, auf Basis der Open-Source Machine Learning toolbox shogun. Dazu wird ein realer Rohdatensatz gegeben. Das Projekt ist in die folgenden drei aufeinander aufbauenden Meilensteine unterteilt.
- Extraktion von vektoriellen Merkmalsvektoren aus den Rohdaten; univariate und multivariate Bewertung dieser Merkmale.
- Evaluierung und Vergleich verschiedener Vorhersagemethodiken, Entwicklung geeigneter Bewertungsan-sätze und Gütemasse.
- Begründete Auswahl und abschließende Bewertung einer bestimmten Vorhersagemethodik.
Im Unterschied zum Praktikum liegt der Schwerpunkt nicht auf der Implementierung von Machine Learning-Methoden, sondern auf Datenaufbereitung, Anwendung, Bewertung und Auswahl von Methoden, sowie Präsentation der Ergebnisse.
Voraussetzungen
Ablauf