|
Size: 1019
Comment:
|
Size: 2895
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 5: | Line 5: |
| ||'''Erster Termin für Themenvergabe'''|| Mittwoch, 18.05.2011, 10:00-12:00 Uhr, Raum FR 6046 || | ||'''Erster Termin für Themenvergabe'''|| Donnerstag, 08.11.2012, 15:00-16:00 Uhr, Raum FR 6046 || ||'''Termin für Blockseminar'''|| nach Absprache || |
| Line 7: | Line 8: |
| ||'''Ansprechtpartner(in)'''|| [[mailto:motoaki.kawanabe@first.fraunhofer.de|Motoaki Kawanabe, Ph.D Universität Tokio]], [[mailto:buenau@cs.tu-berlin.de| Paul von Bünau]] || | ||'''Ansprechtpartner(in)'''|| [[mailto:duncan.blythe@bccn-berlin.de|Duncan Blythe]], [[mailto:irene.winkler@tu-berlin.de| Irene Winkler]] || |
| Line 9: | Line 10: |
| ||'''Anrechenbarkeit''|| Wahlpflicht LV in dem M.Sc. Modulen Maschinelles Lernen 1 || | ||'''Anrechenbarkeit''|| Wahlpflicht in dem M.Sc. Modul Maschinelles Lernen 1 || |
| Line 12: | Line 13: |
| === Papers === | In diesem Seminar werden mathematische und statistischen Modelle zum Erkennen von kausalen Zusammenhängen besprochen. Im Gegensatz zu reinen Vorhersagemodellen, die auf den Assoziationen/Korrelationen zwischen Variablen beruhen, ist das Ziel der empirischen Kausalanalyse, Ursache und Wirkung in komplexen Systemen zu identifizieren. |
| Line 14: | Line 15: |
| Die Vorträge sollen jeweils 35 Minuten (+ 10 Minuten Diskussion) dauern. Wir legen Wert auf diese Zeitvorgabe und werden Vorträge bei deutlicher Überschreitung abbrechen. | Die Vorträge sollen jeweils 30 Minuten (+ 10 Minuten Diskussion) dauern. Wir legen Wert auf diese Zeitvorgabe und werden Vorträge bei deutlicher Überschreitung abbrechen. |
| Line 16: | Line 17: |
| || '''Thema''' || '''Betreuer''' || '''Student''' || || [[attachment:PhysRevLett_103_214101.pdf|Stationary Subspace Analysis]] || [[mailto:buenau@cs.tu-berlin.de|Paul von Bünau]] || || |
Als Entscheidungsmittel empfehlen wir das Wikipedia Eintrag [[ https://en.wikipedia.org/wiki/Correlation_does_not_imply_causation | Correlation does not imply Causation]]. || '''Thema''' || '''Betreuer''' || '''Student''' || '''Beschreibung''' || || [[attachment:Pearl Diagrams and Causality.pdf]] || Duncan Blythe || || Pearl ist ein Riesen in der Kausal Analyse; graphische Modelle usw. || || [[attachment:Rubin Model.pdf]] || Duncan Blythe || || Ähnliche Vorgehensweise zum GC|| || [[attachment:Cointegration.pdf]] || Irene Winkler || || Nobel Preis für Wirtschaft|| || [[attachment:Granger Causality.pdf]] || Duncan Blythe || || Auch ein Nobel Preis Sieger || || [[attachment:PSI.pdf]] || Duncan Blythe || || Granger Kausalität funktioniert nicht immer, z.b. im Gehirn ... || || [[attachment:Cortical Interaction and Coherency.pdf]] || Duncan Blythe || || Wie analysiert man dann Kausalität im Gehirn? || || [[attachment:Nonlinearity and Causality.pdf]] || Duncan Blythe || || Aus Nichtlinearität kann man oft eine kausale Richtung schliessen || || [[attachment:Conditional Complexity.pdf]] || Duncan Blythe || || Kausal Analyse mittels ein Mass fuer Konditional Verteilung Komplexität || || [[attachment:Information Geometry for Causality.pdf]] || Duncan Blythe || || Für die Mathe Interessenten|| Als hintergrund zu den Schwierigkeiten bei der Kausal Analyse, mag [[http://plato.stanford.edu/entries/paradox-simpson/|Simpson's Paradox]] nutzlich sein. Besonders motivierte Studenten koennen sich [[http://www.gutenberg.org/files/9662/9662-h/9662-h.htm |An Enquiry Concerning Human Understanding]] von David Hume anschauen, um das Thema in die historisches Perspektive zu setzen. |
Block-Seminar "Moderne Verfahren des Maschinellen Lernens: Kausalanalyse"
Termine und Informationen
Erster Termin für Themenvergabe |
Donnerstag, 08.11.2012, 15:00-16:00 Uhr, Raum FR 6046 |
Termin für Blockseminar |
nach Absprache |
Verantwortlich |
|
Ansprechtpartner(in) |
|
Sprache |
Englisch |
Anrechenbarkeit |
Wahlpflicht in dem M.Sc. Modul Maschinelles Lernen 1 |
In diesem Seminar werden mathematische und statistischen Modelle zum Erkennen von kausalen Zusammenhängen besprochen. Im Gegensatz zu reinen Vorhersagemodellen, die auf den Assoziationen/Korrelationen zwischen Variablen beruhen, ist das Ziel der empirischen Kausalanalyse, Ursache und Wirkung in komplexen Systemen zu identifizieren.
Die Vorträge sollen jeweils 30 Minuten (+ 10 Minuten Diskussion) dauern. Wir legen Wert auf diese Zeitvorgabe und werden Vorträge bei deutlicher Überschreitung abbrechen.
Als Entscheidungsmittel empfehlen wir das Wikipedia Eintrag Correlation does not imply Causation.
Thema |
Betreuer |
Student |
Beschreibung |
Duncan Blythe |
|
Pearl ist ein Riesen in der Kausal Analyse; graphische Modelle usw. |
|
Duncan Blythe |
|
Ähnliche Vorgehensweise zum GC |
|
Irene Winkler |
|
Nobel Preis für Wirtschaft |
|
Duncan Blythe |
|
Auch ein Nobel Preis Sieger |
|
Duncan Blythe |
|
Granger Kausalität funktioniert nicht immer, z.b. im Gehirn ... |
|
Duncan Blythe |
|
Wie analysiert man dann Kausalität im Gehirn? |
|
Duncan Blythe |
|
Aus Nichtlinearität kann man oft eine kausale Richtung schliessen |
|
Duncan Blythe |
|
Kausal Analyse mittels ein Mass fuer Konditional Verteilung Komplexität |
|
Duncan Blythe |
|
Für die Mathe Interessenten |
Als hintergrund zu den Schwierigkeiten bei der Kausal Analyse, mag Simpson's Paradox nutzlich sein.
Besonders motivierte Studenten koennen sich An Enquiry Concerning Human Understanding von David Hume anschauen, um das Thema in die historisches Perspektive zu setzen.