Introduction to Machine Learning

Lecturers:Kókai, G.
Coverage:2 SWS (4 ECTS)
Dates & location:
Audience:WPF CE-MA (5.-7. Semester)
WPF INF-DH-PS (5.-7. Semester)
Literature:
  • T. M. Mitchell: Machine Learning, McGraw-Hill, 1997.
  • J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann, 1993.
  • F. V. Jensen, An introduction to Bayesian Networks, UCL Press, 1996.
  • N. Lavrac und S. Dzeroski, Inductive Logic Programming, Techniques and Applications, Ellis Horwood, 1994.
  • J. A. Freeman, Simulating Neural Networks with Mathematica, Addison-Wesley, 1994.
  • J. Hertz, A. Krogh und R. G. Palmer, Introduction to the Theory of Neural Computation, Addison-Wesley, 1991.
  • R. Rojas, Theorie der neuronalen Netze, Springer, 1996.
  • W. Banzhaf, P. Nordin, R. E. Keller und D. Francone, Genetic Programming: An Introduction, Morgan Kaufmann und dpunkt, 1998.1994.
  • M. Mitchel, An Introduction to Genetic Algorithms, MIT-Press, 1996.
  • Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs, Springer, 1992.
Topics:

Diese Vorlesung führt in maschinelles Lernen ein. Das Gebiet des maschinellen Lernens befasst sich mit der Frage, wie Computerprogramme zu konstruieren sind, die automatisch ihr Wissen vergrößern. Im ersten Teil der Vorlesung werden die wichtigsten Schlüsselalgorithmen aus diesem Gebiet zusammen mit erläuternden Beispielen ihrer Arbeitsweise und die Theorie vorgestellt, die den Kern des ML ausmacht.

Themenbereiche

Die folgenden Themenbereiche werden in dieser Vorlesung behandelt:

  • Überblick
  • Lernen mit Belohnung
  • Lernen mit Regelmengen
  • Analytisches Lernen
  • Lernen mit Entscheidungsbäumen
  • Konzeptlernen, Lernen vom Allgemeinen zum Speziellen
  • Kombinationen von induktivem und analytischem Lernen
  • Instanzen-basiertes Lernen
  • Künstliche neuronale Netze
  • Stochastisches Suchen und evolutionäre Algorithmen
  • Theorie zum Computational Learning
  • Induktiv logische Programmierung
  • Auswertung von Hypothesen


Introduction:

This lectures will provide an introduction to Machine Learning The field of machine learning (ML) is concerned with the question of how to construct computer programs that automatically improve with experience. In the first part of the lecture the main key algorithms in the field, along with illustrative examples of their operation, and theory that form the core of ML are covered.

The following topics will be discussed:

  • Overview
  • Artificial Neural Networks
  • Reinforcement Learning
  • Decision Tree Learning
  • Stochastic Search and Evolutionary Algorihtms
  • Analytical Learning
  • Learning Sets of Rules
  • Combining Inductive and Analytical Learning
  • Concept Learning, General-to- Specific Ordering
  • Computational Learning Theory
  • Instance-Based Learning
  • Evaluation of Hypotheses
  • Inductive logic programming
watermark seal