Seminar: Machine Learning

ACHTUNG: Terminänderungen!!!

Beschreibung:
Es werden Methoden und Verfahren im Themenbereich Maschinelles Lernen vorgestellt und diskutiert.

Teilnehmende halten ein Referat (45min + 10min Diskussion) mit Folien oder Laptop-Projektion und erstellen eine schriftliche Ausarbeitung (ca. 15-20 Seiten, A4, einspaltig, 12pt Times, 2.5cm Rand). 

Themen und Termine

Datum	Thema	Betreuung	Referent(in)
06.11.2003	Statistische Grundlagen: Wahrscheinlichkeit, Wahrscheinlichkeitsdiche, Wahrscheinlichkeitsverteilung, Bayes' Theorem, Schätzung von Populationskennwerten, Gesetz der großen Zahlen [3]	Holger Fröhlich	Steinhilber Ingrid
13.11.2003	Was ist Maschinelles Lernen: überwachtes/unüberwachtes/verstärkendes Lernen, Klassifikation/Regression, Bayes'sche Entscheidungstheorie/Bayes'sches Lernen [1], [2]	Holger Fröhlich	Sandra Moritz
20.11.2003	Elemente der Statistischen Lerntheorie: Bias-Varianz-Dilemma, VC-Dimension, Overfitting, Structural Risk Minimization, Cross-Validation, No Free Lunch Theorem [1], [2]	Holger Fröhlich	Jana Blaschke
27.11.2003	Support Vector Maschinen [1]	Holger Fröhlich	Munir Khleif
04.12.2003	Support Vector Regression [1], [4]	Holger Fröhlich	Sebastian Schneegans
11.12.2003	Dichteschätzung - one-class SVM [1]	Holger Fröhlich	-
18.12.2003	Gauß-Prozesse [1], [2]	Holger Fröhlich	-
08.01.2004	Kernels: Theorie , Möglichkeiten des Designs, Schätzung aus Daten [1]	Holger Fröhlich	-
15.01.2004	k-Nearest Neighour Klassifikation [2]	Holger Fröhlich	Holger Mielenz
22.01.2004	Hidden Markov Models [2]	Holger Fröhlich	Munir Khleif
29.01.2004	PCA/Kernel-PCA als Möglichkeiten der Dimensionsreduktion [1], [2]	Holger Fröhlich	Marc Röttig
05.02.2004	Das Problem der Merkmalsauswahl [5], [6]	Holger Fröhlich	Reza Sadeghi

Anmeldung:
Ausschließlich über dieses Webformular. Tragen Sie sich bitte selbst mit den Schaltflächen ganz rechts in der Termin-Tabelle ein. Wir reservieren Ihnen dann das gewünschte Thema bis zur Vorbesprechung, an der Sie persönlich anwesend sein müssen.
Falls Sie eine Anmeldung wieder streichen möchten, schicken Sie bitte eine entsprechende Email mit Ihrem Namen, Titel des Seminars und Vortrags sowie Ihrer Matrikelnummer an Felix Streichert.

Voraussetzungen:

Teilnehmer ab 5. Semester. 

Literaturvorschläge: 

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

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

[3] J. Bortz, Statistik für Sozialwissenschaftler, Springer-Verlag, 1999

[4] A. Smola, B. Schölkopf, A Tutorial on Support Vector Regression, NeuroCOLT2 Technical Report Series, 1998

[5] R. Kohavi, G. John, Wrappers for Feature Subset Selection, In: Artificial Intelligence, Vol 97:1-2, 1997

[6] A. Blum, P. Langley, Selection of Relevant Features and Examples in Machine Learning, In: Artificial Intelligence, Vol 97:1-2, 1997

Bemerkungen: 

-  <

Stilvorlage

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