Diff for "Main/WS11_SeminarClassicalTopicsInML"

Differences between revisions 14 and 15

Block-Seminar "Classical Topics in Machine Learning"

Termine und Informationen

Erster Termin für Themenvergabe	Mittwoch, 16.11.2011, 10:00-12:00 Uhr, Raum FR 6046
Verantwortlich	Prof. Dr. Klaus-Robert Müller
Ansprechtpartner(in)	Paul von Bünau
Sprechzeiten	Nach Vereinbarung
Sprache	Englisch
Anrechenbarkeit	Wahlpflicht LV im Modul Maschinelles Lernen I (Informatik M.Sc.)

Inhalt

In diesem Seminar wird eine Auswahl klassischer Themen aus dem Bereich des Maschinellen Lernens behandelt. Die Spannbreite der Themen umfasst unüberwachten Lernverfahren (Dimensionsreduktion, Blinde Quellentrennung, Clustering, etc.), Klassifikations- und Regressionsalgorithmen (SVMs, Neuronale Netze, etc.) und Methoden zur Modellselektion.

Voraussetzungen

Wir empfehlen den Besuch der Vorlesung "Maschinelles Lernen I".

Ablauf

Die Vorbesprechung findet am 16.11.2011 statt.
Die Teilnehmer wählen bis Mitte Januar ein Thema in Absprache mit dem Betreuer (siehe Themenliste).
Das Seminar findet als Blockveranstaltung am Ende des Semester statt (Termin wird noch bekanntgegeben).

Vorträge

Jeder Vortrag soll 35 Minuten (+ 10 Minuten Diskussion) dauern. Der Vortrag kann wahlweise auf Deutsch oder Englisch gehalten werden. Ein guter Vortrag führt kurz in das jeweilige Thema ein, stellt die Problemstellung dar und beschreibt zusammenfassend relevante Arbeiten und Lösungen.

Leistungsnachweis

Das Seminar ist Wahlpflichtbestandteil des Master-Module "Maschinelles Lernen 1". Bachelor-Studenten können diese Master-Module auf Antrag ebenfalls belegen. Die erfolgreiche Teilnahme am Seminar ist Voraussetzung für die Modul-Prüfung.

Themen

Die Vorträge sollen jeweils 35 Minuten (+ 10 Minuten Diskussion) dauern. Wir legen Wert auf diese Zeitvorgabe und werden Vorträge bei deutlicher Überschreitung abbrechen.

Paper(s)	Betreuer	Vortragender
Introduction to Neural Networks (IDSIA)	Gregoire Montavon
An Introduction to Boosting and Leveraging	Mikio Braun
PCA, CCA, and Kernel PCAThe original kPCA paper (TR version)	Felix Bießmann
ICA tutorial	Frank Meinecke
Predicting Structured Objects with Support Vector Machines PDF_short PDF_long	Marius Kloft, Nico Görnitz
Lecture Notes on Online Learning	Marius Kloft

Bryant, P. G. and Cordero-Brana, O. I. Model Selection Using the Minimum Description Length Principle, 2000
Jordan, M. I. and Jacobs, R. A. Hierarchical Mixtures of Experts and the EM Algorithm, 1994

|| Rasmussen, C. E. and Kuss, M. Gaussian Processes in Reinforcement Learning, 2003 || || || || Jordan, M. I., Ghahramani, Z. and Jaakkola, T. S. An introduction to variational methods for graphical models, 1999 || || ||

IDA Wiki: Main/WS11_SeminarClassicalTopicsInML (last edited 2011-11-15 20:00:46 by PaulBuenau)

-  ⇤ ← Revision 14 as of 2011-09-19 13:29:41 → 
  Size: 3668
  Editor: PaulBuenau
  Comment:
+   ← Revision 15 as of 2011-09-19 13:29:54 → ⇥
  Size: 3666
  Editor: PaulBuenau
  Comment:
-Deletions are marked like this.
+Additions are marked like this.
 Line 50:
-|| Bryant, P. G. and Cordero-Brana, O. I. ''Model Selection Using the Minimum Description Length Principle'', 2000  || || || 
|| Jordan, M. I. and Jacobs, R. A. ''Hierarchical Mixtures of Experts and the EM Algorithm'', 1994  || || ||
+|| Bryant, P. G. and Cordero-Brana, O. I. ''Model Selection Using the Minimum Description Length Principle'', 2000  || || ||
|| Jordan, M. I. and Jacobs, R. A. ''Hierarchical Mixtures of Experts and the EM Algorithm'', 1994  || || ||