Hauptseminar Machine Learning for Context Aware Computing
Teilnehmer: maximal 12 Studenten nach bestandenem Vordiplom.
Voranmeldung per E-Mail mit kurzer Vorstellung und Beschreibung der Erwartungen an das Seminar an Martin Wagner (
martin.wagner@in.tum.de) oder Martin Bauer (
martin.bauer@in.tum.de).
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.
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.
Themenliste
(vorläufig)
Datum | Bearbeiter | Thema | Literatur |
15.04.2003 | Christian Schüller | Bayesian Decision Theory | [1] 2.1-2.12 |
6.05.2003 | MartinWagner | Gaussian Mixture Models and the EM Algorithm, Nonparametric techniques | [1] 3.9, [2] 2.1-2.6, [12], [1] 4.1-4.3 |
27.05.2003 | entfällt |
3.06.2003 | entfällt |
22.04.2003 | entfällt (Osterferien) |
10.06.2003 | entfällt (Pfingstferien) |
17.06.2003 | Ernst Sassen | Support Vector Machines, Kernels | [3], [13] |
1.07.2003 | Felix Löw | Kapselung von Machine Learning Methoden in DWARF | |
13.05.2003 | Johannes Wöhler | Clustering | [1] 10.1-10.7, [4] 6.4.2, 6.15 |
29.04.2003 | MartinBauer | Exponential Family and Maximum Likelihood, Sufficient Statistics | [1] 3.1-3.7 |
20.05.2003 | Sven Hennauer | Neural Networks: Introduction and Single-Layer Networks | [5], [2] 3.1-3.5 |
Literatur
- Pattern Classification; Duda, Hart, Stork:
http://www.amazon.com/exec/obidos/ASIN/0471056693
- Neural Networks for Pattern Classification; Bishop:
http://www.amazon.com/exec/obidos/ASIN/0198538642
Im Handapparat
- Learning From Data; Cherkasky, Mulin:
http://www.amazon.com/exec/obidos/tg/detail/-/0471154938
Für Handapparat bestellt, aber noch nicht da.
- Fundamentals of Speech Recognition; Rabiner, Juang:
http://www.amazon.com/exec/obidos/tg/detail/-/0130151572
- Neural Networks FAQ; comp.ai.neural-nets
ftp://ftp.sas.com/pub/neural/FAQ.html
- A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition; Rabiner, L.R. ; Proceedings of the IEEE, Vol.77, Iss.2, Feb 1989; Pages:257-286
- Columbia University Graduate Course Site (Prof. Jebara):
http://www.cs.columbia.edu/~jebara/6998-01/index.html
- ETH Zürich Maschinen Lernen II (Prof. Schiele):
http://www.vision.ethz.ch/ml/ml.html
- Carnegie Mellon University Machine Learning (Prof. Mitchell):
http://www-2.cs.cmu.edu/afs/cs.cmu.edu/project/theo-3/www/ml.html
- Robust Regression and Outlier Detection; Rousseeuw, Leroy:
http://www.amazon.de/exec/obidos/ASIN/0471852333
- Robust Regression Methods for Computer Vision: A Review; Meer, Mintz, Kim, Rosenfeld: International Journal of Computer Vision, Vol.6 No.1 1991
- A Gentle Tutorial of the EM Algorithm; Jeff A. Bilmes (Berkeley)
- Learning with Kernels; Schölkopf, Smola:
http://www.amazon.de/exec/obidos/ASIN/0262194759
Termine
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
- Chair.LaTeX Hints vom Lehrstuhl Radig:
-- Main.Main.MartinBauer, Main.DWARF.MartinWagner,
GudrunKlinker - 07 Jan 2003