Hauptseminar Machine Learning

Prof. Gudrun Klinker, Ph.D., Prof. Dr. Stefan Kramer
Dipl.-Inf. Martin Bauer, Dipl.-Inf. Martin Wagner, Dipl.-Inf. Ulrich Rückert

Teilnehmer

Voranmeldung per E-Mail mit kurzer Vorstellung und Beschreibung der Erwartungen an das Seminar an Martin Wagner oder Martin Bauer.

Übersicht

Machine Learning ist ein recht neues Gebiet der Informatik, das sich mit automatischer Mustererkennung (z.B. zur Gesichtserkennung), Vorhersage (sehr wichtig bei Börsenkursen) und dem Data Mining (z.B. um Einbrüche in Netzwerke zu ermitteln) beschäftigt. Die Anwendungsmöglichkeiten sind überaus zahlreich und gehen von der Genomanalyse in der Bioinformatik bis hin zur Spracherkennung. Auch der Bereich des Context Aware Computing ist ein besonders interessanter Einsatzbereich: immer kleiner werdende Rechner können den Benutzer nur dann sinnvoll unterstützen, wenn sie über den aktuellen Kontext, also Zeit, Aktivität, Ort und Absicht des Benutzers, möglichst genau Bescheid wissen. Die Ermittlung dieser Information aus einfachen Sensordaten mit Machine Learning Techniken steht im Mittelpunkt dieses Seminars.

In diesem Hauptseminar wollen wir uns hauptsächlich die mathematischen Grundlagen des Machine Learning sowie deren konkrete Anwendung in der Informatik an Hand von Beispielen anschauen. Dazu sollen wesentliche Algorithmen in Vorträgen vorgestellt und mitsamt ihren Haupteinsatzgebieten diskutiert werden.

When we write programs that "learn", it turns out that we do and they don't., Alan J. Perlis, Epigrams in Programming; 63.

Termine

• Voranmeldung per E-Mail an Martin Wagner (martin.wagner@in.tum.de) oder Martin Bauer (martin.bauer@in.tum.de).
• Vorbesprechung 15.07.2003, 15:00 c.t., MI 01.07.014
• Wöchentlicher Termin: Dienstag, 14:15 - 16:00 Uhr, MI 01.07.014

Themenliste

Disclaimer: Die hier herunterladbaren Vorträge und Ausarbeitungen sind nach bestem Bemühen von den Teilnehmern dieses Seminars angefertigt worden. Die Veranstalter des Seminars können allerdings keinerlei Gewähr für die (insbesondere wissenschaftliche) Korrektheit übernehmen.

Datum	Nr.	Bearbeiter	Betreuer	Thema	Materialien
21.10.03	1	Martin Bauer	Martin Bauer	Bayesian Filters fighting Spam	Vortragsfolien
4.11.03	3	Korbinian Schwinger	Martin Bauer	Exponential Family and Maximum Likelihood, Gaussian Mixture Models and the EM Algorithm	Vortragsfolien, Ausarbeitung
11.11.03	4	Peter Hallama	Martin Wagner	Nonparametric techniques	Vortragsfolien, Ausarbeitung
18.11.03	5	Nikolas Dörfler	Ulrich Rückert	Hidden Markov Models	Vortragsfolien, Ausarbeitung
25.11.03	6	Can Önder	Martin Wagner	Clustering	Vortragsfolien, Ausarbeitung
2.12.03	7	Marius Morawski	Stefan Kramer	Frequent Pattern Discovery	Vortragsfolien, Ausarbeitung
16.12.03	8	Matthias Seidl	Martin Bauer	Neural Networks: Introduction and Single-Layer Networks	Vortragsfolien, Ausarbeitung
16.12.03	9	Alexander Perzylo	Martin Bauer	Neural Networks: Multi-Layer Networks and Learning Algorithms	Vortragsfolien, Ausarbeitung
13.01.04	10	Katja Kunze	Ulrich Rückert	Support Vector Machines, Kernels	Vortragsfolien, Ausarbeitung
20.01.04	11	Christoph Petzinger	Stefan Kramer	Inductive Logic Programming, Relational Data Mining	Vortragsfolien, Ausarbeitung
27.01.04	12	Maximilian Schwinger	Stefan Kramer	Ensemble Methods: Boosting, Bagging, Stacking	Vortragsfolien, Ausarbeitung
3.02.04	13	Alexander Camek	Stefan Kramer	Reinforcement Learning	Vortragsfolien, Ausarbeitung

Literatur

Ziel des Hauptseminars ist es unter anderem daß sich die Studenten selbständig auf die Suche nach der erforderlichen Literatur begeben. Als Startpunkte können jedoch die Hinweise auf der MachineLearningLiteratur^? Seite dienen.

Anforderungen

• Überdurchschnittliche Motivation
• Vortrag ca. 45 Min
• Ausarbeitung ca. 10 Seiten im Chair.LaTeX-Format
• Anwesenheit und aktive Diskussionen in den Seminaren
• Selbständige Literaturrecherche
• Neben der eher mathematischen Schilderung des jeweiligen Algorithmus wird auch eine Diskussion der Vor- und Nachteile sowie eine kurze Erläuterung der Einsatzgebiete erwartet.
• Natürlich wird eine praktische Demonstration des Algorithmus, möglichst live und mit vielen bunten Bildern, überaus honoriert.

Nützliche Links

• Ein paar Seiten mit Tipps zur Präsentation
  • How to Present a Paper in Theoretical Computer Science: A Speaker's Guide for Students
  • Merkblatt zur Gestaltung eines Seminarvortrags
• Chair.LaTeX Hints vom Lehrstuhl Radig:
  • Das Dschungelbuch (Gross,Rubach) und/oder
  • The Not so Short Introduction to Latex 2e (Oetiker et al.)
  • Und natürlich als wirklich sinnvolle Referenz immer zu empfehlen: Leslie Lamport: Das Chair.LaTeX-Handbuch