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 24. Januar 2015, 10:00 - 17:00, 04.150
  • Einzeltermin am 21. Februar 2015, 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:

Die Vorträge finden am 24.01.2015 und 21.02.2015 ab 10:00 s.t. in 04.150 statt!

Archiv
14. Juli 2014 Die Vorbesprechung findet am 09.10.2014 um 14:15 Uhr in 01.252-128 statt.
1. Juli 2014 Die Vorträge finden als Blockveranstaltung an zwei Samstagen gegen Ende des Semester statt.

Vorträge

Thema Vortragender
0.
Einführung
Vorträge am 24.01.2015
1.
Clustering
Cosmin Bercea
2.
Decision Tree Learning
Michael Pfeiffer
Swarm Intelligence
Victor Simon
3.
Ant Colony Optimization
Christopher Syben
4.
Artificial Neural Networks
Jan Hönig
5.
Evolutionary Algorithms
Patrick Kreutzer
6.
Simulated Annealing and Tabu Search
Christian Lobmeier
Vorträge am 21.02.2015
7.
Inductive Logic Programming
Vladimir Vulpe
8.
Support Vector Machines
Michael Dorner
9.
Hidden Markov Models
Marc Rosenbauer
10.
Online Learning
Christian Berger
11.
Reinforcement Learning
Violetta Tabirta
Dimensionality Reduction
Sanjukta Ghosh

Evaluation

Die Ergebnisse der Evaluation gibt's hier.
watermark seal