Projekte zur Vorlesung Maschinelles Lernen
Die Projekte geben Gelegenheit, Lernalgorithmen praktisch auszuprobieren und
ihre Anwendung sowie Vor- und Nachteile kennenzulernen. Die reale
Anwendungsdomaene, die alle Projekte bearbeiten werden, ist das automatische Lernen von
Titnitus Diagnosen (und Behandlungen) aus
Beispielen
(und Hintergrundwissen). Die allgemeine
Aufgabe besteht darin, ein Lernprogramm zu entwickeln/zu benutzen, das Diagnosen als
Zielfunktion hat. Dabei sind alle Desingentscheidungen zu begruenden.
alle
- Software auswaehlen und eventuell an die Aufgabe anpassen
- Software auf cip Rechnern installieren fuer Gruppe ML98
- einige Experimente selbst entwerfen
- diese Experimente und weitere vorgegebene Experimente ausfuehren und auswerten
- Kurzvortrag ueber Erfahrungen in Vorlesung
- kurze schriftliche Zusammenfassung der Erfahrungen
Fuer Software siehe auch http://www.kdnuggets.com/siftware.html
Entscheidungsbaum-Lernen
-
Studenten: Sebastian Schoening, Mark Hillebrand, Thomas Schuerger, Tom Crecelius
Software:
- ID3 oder besser C4.5 at http://www.cse.unsw.edu.au/~quinlan
Literatur
Tom Mitchell: Machine Learning, McGraw Hill, 1997
Einige vorgegebene Experimente, Designfragen
Repraesentation der Trainingserfahrung, Datenauswahl
Lernen nur aus positiven Beispielen
Performanz anhaengig von der Anzahl der Trainingsbeispiele
Künstliche Neuronale Netze
Studenten: Alexander Weber, Siegfried Scholl, Thomas Kleinbauer
Software:
-
http://www.cs.cmu.edu/afs/cs.cmu.edu/user/mitchell/ftp/faces.html
- http://www.kdnuggets.com/siftware.html#Classification:Neural
Literatur:
B. Kloeppel: Stabilitaet und Kapazitaet Neuronaler Netzwerke.Shaker Verlag 1994.
Einige vorgegebene Experimente, Designfragen
Struktur des Netzes
Repraesentation der Trainingserfahrung, Datenauswahl
Lernen nur aus positiven Beispielen
Performanz anhaengig von der Anzahl der Trainingsbeispiele
Anzahl der Iterationen
Bayes'sches Lernen
Studenten: Christian Theobalt, Stefan Posth, Marco Lohse
Software:
- Netica http://www.norsys.com/
- Algorithmus im Buch von Russell/Norvik
- http://bayes.stat.washington.edu/almond/belief.html
Literatur:
Markus Spies (1993): Unsicheres Wissen. Wahrscheinlichkeit,
Fuzzy-Logik, neuronale Netze und menschliches Denken. Heidelberg:
Spektrum Akademischer Verlag.
Einige vorgegebene Experimente, Designfragen
Struktur des Bayes Netzes, Wissensakquisition!!
Repraesentation der Trainingserfahrung
Lernen nur aus positiven Beispielen
Performanz anhaengig von der Anzahl der Trainingsbeispiele
Regellernen
Software:
- FOIL http://www.cse.unsw.edu.au/~quinlan oder
- GOLEM: http://www.cs.york.ac.uk/~stephen/golem.html
- Progol: http://www.cs.york.ac.uk/~stephen/progol.html
Literatur
S. Muggleton and L. De Raedt: Inductive logic programming: Theory and methods. Journal of
Logic Programming, 19,20:629-679, 1994.
Nearest Neigbor
Software
- ftp://condor.cs.jhu.edu/pub/pebls/
Literatur