MachineLearningSoSe2003

Fachgebiet Erweiterte Realität (Prof. Gudrun Klinker)
Research Group for Augmented Reality

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
22.04.2003 entfällt (Osterferien)
29.04.2003 MartinBauer Exponential Family and Maximum Likelihood, Sufficient Statistics [1] 3.1-3.7
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
13.05.2003 Johannes Wöhler Clustering [1] 10.1-10.7, [4] 6.4.2, 6.15
20.05.2003 Sven Hennauer Neural Networks: Introduction and Single-Layer Networks [5], [2] 3.1-3.5
27.05.2003 entfällt
3.06.2003 entfällt
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  

Literatur

  1. Pattern Classification; Duda, Hart, Stork:
    http://www.amazon.com/exec/obidos/ASIN/0471056693
  2. Neural Networks for Pattern Classification; Bishop:
    http://www.amazon.com/exec/obidos/ASIN/0198538642
    Im Handapparat
  3. Learning From Data; Cherkasky, Mulin:
    http://www.amazon.com/exec/obidos/tg/detail/-/0471154938
    Für Handapparat bestellt, aber noch nicht da.
  4. Fundamentals of Speech Recognition; Rabiner, Juang:
    http://www.amazon.com/exec/obidos/tg/detail/-/0130151572
  5. Neural Networks FAQ; comp.ai.neural-nets
    ftp://ftp.sas.com/pub/neural/FAQ.html
  6. 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
  7. Columbia University Graduate Course Site (Prof. Jebara):
    http://www.cs.columbia.edu/~jebara/6998-01/index.html
  8. ETH Zürich Maschinen Lernen II (Prof. Schiele):
    http://www.vision.ethz.ch/ml/ml.html
  9. Carnegie Mellon University Machine Learning (Prof. Mitchell):
    http://www-2.cs.cmu.edu/afs/cs.cmu.edu/project/theo-3/www/ml.html
  10. Robust Regression and Outlier Detection; Rousseeuw, Leroy:
    http://www.amazon.de/exec/obidos/ASIN/0471852333
  11. Robust Regression Methods for Computer Vision: A Review; Meer, Mintz, Kim, Rosenfeld: International Journal of Computer Vision, Vol.6 No.1 1991
  12. A Gentle Tutorial of the EM Algorithm; Jeff A. Bilmes (Berkeley)
  13. 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

-- Main.Main.MartinBauer, Main.DWARF.MartinWagner, GudrunKlinker - 07 Jan 2003

I Attachment sort Action Size Date Who Comment
em_tutorial.pdf manage 274.5 K 30 Jan 2003 - 10:20 Main.Main.MartinBauer A Gentle Tutorial of the EM Algorithm
NeuralNetworkFAQ.pdf manage 2151.3 K 04 Feb 2003 - 08:47 Main.DWARF.MartinWagner PDF version of the Neural Network FAQ
merkblatt.pdf manage 10.9 K 04 Feb 2003 - 18:14 Main.DWARF.MartinWagner Merkblatt zur Vorbesprechung
bayesian.pdf manage 1360.2 K 08 May 2003 - 09:09 Main.DWARF.MartinWagner Bayesian Decision Theorie (C. Schüller)
emalg.pdf manage 721.6 K 08 May 2003 - 09:10 Main.DWARF.MartinWagner EM Algorithm (M. Wagner)

Edit | Attach | Refresh | Diffs | More | Revision r1.1 - 20 Sep 2012 - 16:53 - Main.guest

rss.gif © 2001-2004, Lehrstuhl für angewandte Softwaretechnik (2000-2004)   
© 2005 am Lehrstuhl für Informatikanwendungen in der Medizin & Augmented Reality (seit 2005)