|
Size: 1019
Comment:
|
← Revision 53 as of 2012-11-13 12:36:20 ⇥
Size: 3193
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 statistische Modelle zur Erkennung 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 den Eintrag [[ https://en.wikipedia.org/wiki/Correlation_does_not_imply_causation | Correlation does not imply Causation]] auf Wikipedia. || '''Thema''' || '''Betreuer''' || '''Student''' || '''Beschreibung''' || || [[attachment:Pearl Diagrams and Causality.pdf]] || Daniel Bartz || M.Kastrop || J. Pearl ist ein großer Name in Kausalanalyse, graphischen Modellen usw. (Review paper) || || [[attachment:Cointegration.pdf]] [[attachment:CointegratioImpliesGrangerCausality.pdf]]|| Irene Winkler || S.Lohmeier|| Granger und Engle, Nobelpreis für Wirtschaft 2003|| || [[attachment:PSI.pdf]] || Daniel Bartz || F.Bremerich || Granger Kausalität funktioniert nicht immer, z.b. im Gehirn ... || || [[attachment:Cortical Interaction and Coherency.pdf]] || Duncan Blythe || J.Eike || Wie analysiert man Kausalität im Gehirn? || || [[attachment:Nonlinearity and Causality.pdf]] || Duncan Blythe || W.Nagasawa || Aus Nichtlinearität kann man oft eine kausale Richtung schliessen || || [[attachment:Conditional Complexity.pdf]] || Duncan Blythe || R.Koppisch || Kausal Analyse mittels ein Maßes für bedingte Verteilungen der Komplexität || Als Hintergrund zu den Schwierigkeiten bei der Kausalanalyse, mag [[http://plato.stanford.edu/entries/paradox-simpson/|Simpson's Paradox]] nutzlich sein. Besonders motivierte Studenten können 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 historische Perspektive zu setzen. DETAILS OF THE EVALUATION: The final seminar and evaluation will take place on 24.01.2013 from 1415 onwards. You will be expected to attend all talks given in the session. Don't forget the talks should be in English and the grades will NOT count towards the grade of the entire module. To get a good grade, you'll be expected to demonstrate close to full understanding of the topic and communicate this in a didactic mode to your peers. |
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 statistische Modelle zur Erkennung 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 den Eintrag Correlation does not imply Causation auf Wikipedia.
Thema |
Betreuer |
Student |
Beschreibung |
Daniel Bartz |
M.Kastrop |
J. Pearl ist ein großer Name in Kausalanalyse, graphischen Modellen usw. (Review paper) |
|
Irene Winkler |
S.Lohmeier |
Granger und Engle, Nobelpreis für Wirtschaft 2003 |
|
Daniel Bartz |
F.Bremerich |
Granger Kausalität funktioniert nicht immer, z.b. im Gehirn ... |
|
Duncan Blythe |
J.Eike |
Wie analysiert man Kausalität im Gehirn? |
|
Duncan Blythe |
W.Nagasawa |
Aus Nichtlinearität kann man oft eine kausale Richtung schliessen |
|
Duncan Blythe |
R.Koppisch |
Kausal Analyse mittels ein Maßes für bedingte Verteilungen der Komplexität |
Als Hintergrund zu den Schwierigkeiten bei der Kausalanalyse, mag Simpson's Paradox nutzlich sein.
Besonders motivierte Studenten können sich An Enquiry Concerning Human Understanding von David Hume anschauen, um das Thema in die historische Perspektive zu setzen.
DETAILS OF THE EVALUATION:
The final seminar and evaluation will take place on 24.01.2013 from 1415 onwards. You will be expected to attend all talks given in the session. Don't forget the talks should be in English and the grades will NOT count towards the grade of the entire module. To get a good grade, you'll be expected to demonstrate close to full understanding of the topic and communicate this in a didactic mode to your peers.