Arbeitsgruppe Wissensmanagement

Proseminar Maschinelles Lernen

Prof. Tobias Scheffer, Steffen Bickel

Termin:

Dienstag, 11:00 -13:00, RUD 25, 4.111
Nächster Termin: 02.12.2003

Lehrinhalte:

Verfahren des maschinellen Lernens analysieren Beobachtungen und bilden Modelle, die diese Beobachtungen erklären. Analog zum menschlichen Lernen können Lernalgorithmen von Erfahrungen profitieren und vorgegebene Probleme durch diese besser lösen. Im Proseminar behandeln wir grundlegende Themen wie Entscheidungsbaumverfahren, Regression, Regellernen, Reinforcement-Lernen. Teilnehmer der Veranstaltung bereiten einen Vortrag zu einem der Themenvorschläge vor und verfassen eine schriftliche Ausarbeitung. Vorrangiges Ziel ist die Verbesserung der Fähigkeit, Vorträge sicher und gut verständlich zu halten.

Themen-, Literatur- und Terminzuordnung

Thema
 Literatur
 Vortragstermin
Konzept Lernen und General-to-Specific Ordnung [Folien]
 [1; Kap. 2] 02.12.2003
Entscheidungsbaumlernen [Folien]
 [1; Kap. 3] 02.12.2003
Bayesches-Lernen [1; Kap. 6.1, 6.2, 6.3, 6.7, 6.9, 6.10] 09.12.2003
Regel-Lernen [1; Kap. 10] 09.12.2003
Lineare Diskriminanzfunktionen [2; S. 215-238] 06.01.2004
Regression [4; 20.1-20.3, 20.5, 23.1, 24.4][5; Kap. 4.6] 13.01.2004
Genetische Algorithmen [1; Kap. 9] 20.01.2004
Reinforcement-Lernen [1; Kap. 13 ohne 13.5, 13.6, 13.7] 20.01.2004
Support Vector Machines [2; S. 215-238][6, S. 538-544][7] ([8])
Clusteranalyse / EM-Algorithmus [3; Kap. 14]([1; Kap. 6.12][2; S. 550-557])
Instanz-basiertes Lernen [1; Kap. 8]
Bewertung von Hypothesen [1; Kap. 5]

[1] Mitchell, T.:Machine Learning, McGraw-Hill, 1997.
[2] Duda, R. / Hart, P. / Stork, D.: Pattern Classification. Wiley, 2001.
[3] Manning, C. / Schütze, H.: Foundations of Statistical Natural Language Processing. MIT Press, 1999.
[4] Bleymüller, J. / Gehlert, G. / Gülicher, H.: Statistik für Wirtschaftswissenschaftler. Vahlen, 2000.
[5] Witten, I.H.: Data Mining. Morgan Kaufmann, 2000.
[6] Wrobel, S., Morik, K. und Joachims, T.: Maschinelles Lernen und Data Mining, in: Görz, G. / Rollinger, C.-R., Schneeberger, J. (Hrsg.): Handbuch der Künstlichen Intelligenz, Oldenburg, Kap. 14, S. 517-597.
[7] Burges, C.: A Tutorial on Support Vector Machines for Pattern Recognition. Knowledge Discovery and Data Mining, 2(2), 1998.
[8] Liste von Tutorials zu Support Vector Machines

Material: