Machine Learning

Dozenten:Mutschler, C.; Witt, N.
Umfang:2 SWS (5 ECTS)
Voraussetzungen:

Anmeldung per E-Mail an christopher.mutschler@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
Anmerkung:Anmeldung mit Themenwunsch per E-Mail vor Vorlesungsbeginn; Verteilung der Vortragsthemen erfolgt FCFS.
Termin(e) & Ort:
  • Einzeltermin am 14. Januar 2017, 10:00 - 16:00, 04.150
  • Einzeltermin am 21. Januar 2017, 10:00 - 16:00, 04.150
  • Einzeltermin am 4. Februar 2017, 10:00 - 16:00, 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.

Die Vorbesprechung findest am 20.10.2016 um 14:15 in 04.150 statt!

Vorträge

Thema Vortragender
0.
Einführung
Vorträge am 14.01.2017 ab 10 Uhr in 04.150
1.
Decision Tree Learning
Matthias Wild
2.
Dimensionality Reduction
Fabian Hörmann
3.
Support Vector Machines
Moritz Gütlein
4.
Artificial Neural Networks
Lorenz Gorse
5.
Reinforcement Learning
Moritz Eckert
Vorträge am 21.01.2017 ab 10 Uhr in 04.150
6.
Convolutional Neural Networks
Felix Ott
7.
Recurrent Neural Networks + LSTM
Jonathan Martschinke
Online Learning
Malte Kraus
8.
Adaptive Boosting
Armin Helmberg
9.
Evolutionary Algorithms
Adrian Kretschmer
Vorträge am 04.02.2017 ab 10 Uhr in 04.150
10.
Self-Organizing Maps
Daniel Martin
11.
Clustering
Markus Schmidt
12.
Ant Colony Optimization
Benjamin Gorny
13.
Inductive Logic Programming
Christian Bay
14.
Hidden Markov Models
Luca Reeb
15.
Swarm Intelligence
Tim Nisslbeck
watermark seal