Machine Learning

Dozenten:Mutschler, C.; Otto, S.
Umfang:2 SWS (5 ECTS)
Voraussetzungen:

Anmeldung per E-Mail an christopher.mutschler@informatik.uni-erlangen.de
Scheinkriterien:

  • 45-60 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
Anmerkung:Anmeldung mit Themenwunsch per E-Mail; Verteilung der Vortragsthemen erfolgt FCFS.
Termin(e) & Ort:
  • Einzeltermin am 25. Januar 2014, 10:00 - 17:00, 04.150
  • Einzeltermin am 1. Februar 2014, 10:00 - 17:00, 04.150
Zielgruppe:WPF CE-BA-SEM (ab 2. Semester)
WPF CE-MA-SEM (ab 1. Semester)
WPF INF-BA-SEM (ab 2. Semester)
WPF INF-MA (ab 1. Semester)
WPF IuK-BA (ab 3. Semester)
WPF IuK-MA (ab 1. Semester)
Literatur:
  • 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
Inhalt:

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.

Aktuelles:

Archiv
7. Januar 2014 Die ersten Vorträge finden am 25. Januar ab 10 Uhr in 04.150 statt.
24. Oktober 2013 Bitte tragt euch in den Doodle ein, um die Vortragstermine zu verteilen (Link per E-Mail).
17. Oktober 2013 Bitte tragt euch in den Doodle ein, um mögliche Seminartermine zu finden (Link per E-Mail).
1. Oktober 2013 Die Vorbesprechung findet am 17.10.2013 um 14:15 Uhr in 04.150 statt.
1. Oktober 2013 Die Vorträge finden als Blockveranstaltung an zwei Samstagen gegen Ende des Semester statt.

Vorträge

Thema Vortragender
Vorträge
0.
Einführung
Vorträge am 25. Januar 2014
Inductive Logic Programming
Alexander Schmidt
1.
Clustering
Tim Grocki
2.
Decision Tree Learning
Florian Habur
3.
Support Vector Machines
Florin Ghesu
4.
Ant Colony Optimization
Sebastian Wankerl
5.
Hidden Markov Models
Nicolas Apelt
6.
Online Learning
Amir Pilehvar
Vorträge am 01. Februar 2014
7.
Swarm Intelligence
Michael Sandner
Artificial Neural Networks
Martin Schütz
8.
Evolutionary Algorithms
Vanessa Schindler
9.
Reinforcement Learning
Franziska Henkel
10.
Dimensionality Reduction
Marcel Pohlmann
11.
Simulated Annealing and Tabu Search
Samuel Gruber

Evaluation

Die Ergebnisse der Evaluation gibt's hier.
watermark seal