Machine Learning

Lecturers:Witt, N.; Feigl, T.; Mutschler, C.
Coverage:2 SWS (5 ECTS)
Prerequisites:

Anmeldung per E-Mail an nicolas.witt@fau.de
Scheinkriterien:

  • 40 Minuten Vortrag
  • Erstellung einer Ausarbeitung mit den wesentlichen Punkten des Vortrags (keine Folienkopien, ca. 6-8 Seiten)
  • Anwesenheit bei den Vorträgen der anderen Teilnehmer
  • Fertigstellung der Folien bis spätestens einer Woche vor dem Vortragstermin, Fertigstellung der Ausarbeitung bis zum Ende des Semesters
Comment:Anmeldung mit Themenwunsch per E-Mail vor Vorlesungsbeginn; Verteilung der Vortragsthemen erfolgt FCFS.
Dates & location:
  • single date on January 19, 2019, 10:00 - 14:00, 04.150
  • single date on January 26, 2019, 10:00 - 14:00, 04.150
  • single date on February 2, 2019, 10:00 - 14:00, 04.150
  • single date on March 2, 2019, 10:00 - 14:00, 04.150
Audience:WPF CE-BA-SEM (from 2. Semester)
WPF CE-MA-SEM (from 1. Semester)
WPF INF-BA-SEM (from 2. Semester)
WPF INF-MA (from 1. Semester)
WF IuK-MA (from 1. 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.
  • C. Bishop, Pattern Recognition and Machine Learning, Springer, 2007
  • I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016
Topics:

Dieses Seminar führt in das Themengebiet des maschinellen Lernens ein. Maschinelles Lernen befasst sich mit der Frage, wie Computerprogramme zu konstruieren sind, die automatisch ihr Wissen vergrößern. Ziel des Seminars ist, die wichtigsten Schlüsselalgorithmen aus diesem Gebiet zusammen mit erläuternden Beispielen ihrer Arbeitsweise und der Theorie vorzustellen, die den Kern des Machine Learning ausmachen. Klassische Themengebiete sind hierbei beispielsweise Lernen mit Belohnung, evolutionäre Algorithmen oder statistische Verfahren. Mit der Zeit haben sich nach und nach etablierte Verfahren wie Support Vector Machines, Hidden Markov Modelle oder künstliche Neuronale Netze entwickelt. Das Seminar soll einen übergreifenden Einblick in die Welt des maschinellen Lernen und deren Algorithmen vermitteln.

Die Vorbesprechung findet am 18.10.2018 um 14:15 in 04.150 statt!

Presentations

Topic Presenter Download
0.
Introduction
Nicolas Witt
Classic Algorithms I (19.01.2019 in 04.150)
1.
Clustering
Maximilian Scholze Folien
2.
Dimensionality Reduction
Minhao Qiu Folien
3.
Ensemble Learning
Alexander Richter Folien
4.
Self-Organizing Maps
Sarah Wallraff Folien
Classic Algorithms II (26.01.2019 in 04.150)
5.
Hidden Markov Models
Sven Steinkemper Folien
6.
Boosting
Lars Schwenger Folien
7.
Support Vector Machines
Paula Welzenbach Folien
Neural Networks (02.02.2019 in 04.150)
8.
Artificial Neural Networks
Stefan Kraus Folien
9.
Recurrent Neural Networks + LSTM
Lukas Schmidt Folien
10.
Representation Learning
Arndt Simon Folien
Adaptive and Autonomous Learning (02.03.2019 in 04.150)
11.
Reinforcement Learning
Johannes Derrer Folien
12.
Deep Reinforcement Learning
Sascha Dörflein Folien
13.
Online Learning
Jacob Fidorra Folien
14.
General Adversial Networks
Alexander Schmidt Folien
watermark seal