Dmitrij Schlesinger, Forum, Wintersemester 2014/2015
|
|
Der Bereich des Machine Learning erfasst allgemeine statistische Methoden, um Wissen zu repräsentieren und dieses zur Interpretation von Daten zu verwenden. Machine Learning Ansätze haben zahlreiche Anwendungen in verschiedenen Themengebieten, speziell in solchen in denen Unsicherheiten in den Daten eine große Rolle spielen. Ein wichtiges Anwendungsgebiet ist mit Sicherheit der Computer Vision Bereich. Die Vorlesung orientiert sich am Buch "Pattern Recognition and Machine Learning" von Christopher Bishop, erschienen 2006 bei Springer, setzt aber eigene Akzente.
Module:
INF-04-FG-IS INF-BAS2 INF-BAS7
Vorlesung: Montag, 2. DS, 09:20-10:50 Uhr, INF E023, Beginn: 13. Oktober 2014
Übung: Dienstag, 3. DS, 11:10-12:40 Uhr, INF E008 und Freitag, 4. DS, 13:00-14:30 Uhr, INF E009, Beginn: (wird extra angekündigt)
Voraussetzungen: Solides mathematisches Grundlagenwissen
Weitere Hinweise: Die Vorlesung wird in deutsch gehalten, die Folien sind englisch
Umfang: 2/2/0
Abschluss: Mündliche Prüfung nach Ende der Vorlesungszeit
Einschreibung: jExam
Maximale Teilnehmerzahl 60
|
 |
|
| News: |
02.02.2015
Die Modalitäten der Prüfungen bzw. Anrechnung von Übungen wurden geändert. Siehe hier die neuen Regel.
27.11.2014
Aufgrund von Ausfall der Übung am 25.11 findet am Dienstag 2.12 die Übung zum Thema "Lineare Klassifikatoren" statt. Am Freitag 28.11 behandeln wir in der "Freitags"-Gruppe das "Diskriminative Lernen" und am 5.12 – "Lineare Klassifikatoren". Ab der übernächsten Woche (9. und 12.12) geht es weiter in beiden Gruppen mit "Exponential Family".
14.10.2014
Die erste Übung (Wahrscheinlichkeitstheorie) findet in der Freitag-Gruppe am 24.10 statt, in der Dienstag-Gruppe – am 28.10.
Die zweite Vorlesung findet am 27.10 statt.
08.10.2014
Herzlich willkommen! Auf dieser Seite werden wehrend des Semesters alle benötigten Informationen zur Verfügung gestellt – Skripten, Aufgabenstellungen, Literaturhinweise, aktuelle Infos, Termine etc. Im Wesentlichen werden die alten Skripten für "Machine Learning" vom WS2013/2014 übernommen, die man hier findet. Bei der ersten Vorlesung am Montag 13.10 wird das Weitere näher erläutert.
|
|
| Skripten: |
Vorlesungen:
13.10: Introduction, Probability Theory
27.10: Bayesian Decision Theory
03.11: Maximum Likelihood Principle
10.11: Discriminative Learning
17.11: Neuron, Linear Classifiers
24.11: Exponential Family
01.12: Support Vector Machines
08.12: Empirical Risk Minimization
15.12: Kernel-PCA
05.01: AdaBoost, applet, example
12.01: Neural Networks
19.01: Clustering
26.01: Decision Forests
02.02: Introduction to Structural Models
|
| | |
Aufgabenstellungen für Seminare:
24.10, 28.10: Probability Theory
04.11, 07.11: Bayesian Decision Theory
11.11, 14.11: Maximum Likelihood Principle
18.11, 28.11: Discriminative Learning
02.12, 05.12: Neuron, Linear Classifiers
09.12, 12.12: Exponential Family, SVM
16.12, 19.12: Empirical Risk Minimization, Kernel-PCA
06.01, 09.01: AdaBoost + Reste
13.01, 16.01: Neural Neworks
20.01, 23.01: Clustering
27.01: Konsultation, 30.01: Ausfall
|
|
