University of Tübingen Homepage Lehrstuhl Rechnerarchitektur, Prof Dr. Zell
print versionl HomeComputer Architecture Teaching Sem.: Kernel Methods in Machine Learning
 
About Our Department
People
Research Projects
Software
Publications
Teaching
Prosem.: Artificial Life
Basisprakt.: Mobile Roboter
Genetische Algorithmen und Evolutionsstrategien
Neuronale Netze
Robotik II
Chemieinformatik
Sem.: Inference of Regulatory and Metabolic Networks
Sem.: Kernel Methods in Machine Learning
Prakt.: Evolutionäre Algorithmen
Prakt.: Chemoinformatik
Prakt.: Data Mining in der Systembiologie
Diploma Theses
Vacancies
Address/Directions
External Links
Internal Pages
 
Contents
Search
 
Computer Science Dept.
University of Tübingen
 
 

Seminar: Kernel Methods in Machine Learning

Dozent Georg Hinselmann, Nikolas Fechner
Sprechstunde n.V. (vorher anrufen oder Email)
Zeit Do 14-15 Uhr
Umfang 2 SWS
Beginn 26. April 2007
Vorbesprechung 19. April 2007
Ort Sand 1, A302
Turnus unregelmäßig

Beschreibung:

Teilnehmer halten ein Referat auf Deutsch oder Englisch (40min + 10min Diskussion) und erstellen eine schriftliche Ausarbeitung (ca. 15-20 Seiten entsprechend der unten angegebenen Stilvorlage). Die Ausarbeitung ist jeweils 14 Tage nach dem Vortrag abzugeben.  

Themen und Termine
Datum Thema Betreuung Referent(in)
26.04.2007 Konzepte des Maschinellen Lernens [1][2][5] G. Hinselmann Bernd Schaffeld
03.05.2007 Grundlagen der Kernelmethoden [3][4] N. Fechner Munir Khleif
10.05.2007 Support Vector Machines [3] G. Hinselmann Maria Tchalakova
17.05.2007 fällt aus
24.05.2007 Vector Kernels [3][4] N. Fechner
31.05.2007 fällt aus
07.06.2007 fällt aus
14.06.2007 Kernel Principal Component Analysis [3] G. Hinselmann Andreas Lehrmann
21.06.2007 Gauss Prozesse [6] N. Fechner Martin Riedel
28.06.2007 Core Vector Machines [7] N. Fechner Thomas Nestmeyer
05.07.2007 String Kernels [8][9] G. Hinselmann
12.07.2007 Graph Kernels [9][10][11] G. Hinselmann Martin Mechelke
19.07.2007 Fisher Kernels [3][4] N. Fechner

Voraussetzungen:
ab 5. Semester 

Literaturvorschläge: 

[1] R. Duda, P. Hart, D. Stork, Pattern Classification, Wiley Interscience, 2000

[2] T. Mitchell, Machine Learning, McGraw Hill, 1997

[3] B. Schölkopf, A. Smola, Learning with Kernels, MIT Press, 2002

[4] R. Herbrich, Learning Kernel Classifiers, MIT Press, 2002

[5] T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Springer, 2001

[6] C. E. Rasmussen, C. K. I. Williams, Gaussian Processes for Machine Learning, MIT Press, 2006

[7] I. W. Tsang, J. T. Kwok, J. M. Zuranda, Generalized Core Vector Machines, IEEE Trans. Neur. Netw., Vol. 17 (5), 2006

[8] H. Saito, J. Vert, N. Ueda, T. Akutsu, Protein Homology Detection using String Alignment Kernels, Bioinformatics, 2004

[9] B. Schölkopf, K. Tsuda, J. Vert, Kernel Methods in Computational Biology, MIT Press, 2004

[10] H. Kashima, K. Tsuda, A. Inokuchi, Marginalized Kernel Between Labeled Graphs, Proc. Int. Conf. Mach. Learn., 2003

[11] H. Fröhlich, J. Wegner, F. Sieker, A. Zell, Optimal Assignment Kernels for Attributed Molecular Graphs, Proc. Int. Conf. Mach. Learn., 2005

Bemerkungen: 

Stilvorlage

  • Für die Erstellung der Ausarbeitung mit Word97/2000 gibt es hier eine Stilvorlage (Word97-Format, 27kB).
  • Wenn Sie eine andere Textverarbeitung bevorzugen, orientieren Sie sich bitte an diesem Muster (PDF-Format, 13kB).
  • Für Latex-Fans gibt es einen Style mit kleiner Demo.

Last changes: 19.03.2018, 18:46 CET. RA-Webmaster. Impressum
http://www.ra.cs.uni-tuebingen.de/lehre/ss07/sem_kernel.html
© 2001-2007 University of Tübingen