|
Size: 6429
Comment:
|
Size: 5033
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 12: | Line 12: |
| === Inhalt === | [[https://www.isis.tu-berlin.de/course/view.php?id=5789|All information can be found in the ISIS course]] |
| Line 14: | Line 14: |
| 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. |
=== Topics (tentative) === |
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 |
|
Ansprechtpartner(in) |
|
Sprechzeiten |
Nach Vereinbarung |
Sprache |
Englisch |
Anrechenbarkeit |
Wahlpflicht LV im Modul Maschinelles Lernen I (Informatik M.Sc.) |
All information can be found in the ISIS course
Topics (tentative)
Paper(s) |
Betreuer |
Vortragender |
Nonlinear Dimensionality Reduction by Locally Linear Embedding link |
|
|
Gaussian Processes - A Replacement for Supervised Neural Networks? link |
|
|
Factor Graphs and the Sum-Product Algorithm link |
|
|
Gaussian Processes in Machine Learning link |
|
|
A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition link |
|
|
Decoding by Linear Programming link |
|
|
Self-organizing formation of topologically correct feature maps |
|
|
Special Invited Paper. Additive Logistic Regression: A Statistical View of Boosting link |
|
|
Expectation Propagation for approximate Bayesian inference link |
|
|
A new look at the statistical model identification link |
|
|
Error Correction via Linear Programming link |
|
|
A Global Geometric Framework for Nonlinear Dimensionality Reduction link |
|
|
An Introduction to MCMC for Machine Learning link |
|
|
Perspectives on Sparse Bayesian Learning link |
|
|
Induction of decision trees link |
|
|
A Fast Learning Algorithm for Deep Belief Nets link |
|
|
How to Use Expert Advice link |
|
|
A View of the EM Algorithm that Justifies Incremental, Sparse, and other Variants link |
|
|
Probabilistic Inference using Markov Chain Monte Carlo Methods link |
|
|
Model Selection Using the Minimum Description Length Principle link |
|
|
Hierarchical Mixtures of Experts and the EM Algorithm link |
|
|
Gaussian Processes in Reinforcement Learning link |
|
|
An introduction to variational methods for graphical models link |
|
|