Hauptnavigation

Proseminar Wintersemester 17/18

Maschinelles Lernen

Prof. Dr. Katharina Morik
Informatik LS8


Hinter fast allen einschneidenden Neuerungen der Informatik, von Google bis Industrie 4.0 oder Internet of Things oder selbstfahrenden Autos, stehen maschinelle Lernverfahren. Dabei hat sich das Gebiet rasant weiter entwickelt. Das Proseminar ist keine Vorlesung über maschinelles Lernen, sondern ein Kurs, in dem Sie das lernen sollen, was Ihnen im Berufsleben später immer wieder begegnen wird: Ein Thema ist plötzlich in aller Munde, aber Sie haben die Entwicklung des Gebietes nicht verfolgt.

  • Wie können Sie sich einarbeiten?
  • Wie finden Sie gute Fachliteratur und lernen sie von oberflächlichen Artikeln zu unterscheiden?
  • Woran erkennen Sie die Qualität eines Artikels?
  • Wie strukturieren Sie ein Gebiet und ordnen jedem Teil Konferenzen, Zeitschriften und WissenschaftlerInnen zu?

Sie erhalten eine Einführung in das Bibliographieren und wir üben es über das Semester hinweg. Sie erarbeiten im Laufe des Semesters mehrfach kurze Präsentationen, um bestimmte Fachbegriffe zu definieren und erklären. Damit Sie auch das wissenschaftliche Schreiben kennenlernen, schreiben Sie ein Referat über ein klar abgegrenztes Teilgebiet. Sie werden später an dieser Stelle auch Literatur finden. Jetzt ist hier nur ein Überblick über einige Teile des maschinellen Lernens zu finden:


Aktuelles

Am Dienstag, den 12.12.2017 wird das Proseminar durch Lukas Pfahler vertreten. Er wird mit euch besprechen, wodrauf es bei den Vorträgen ankommt.

Der Präsentationskurs am 18.12.2017 findet von 12:30 bis 17:00 statt.

Teilnehmerliste

Vorname Thema Paper Unterthema
NguyenMinh Reinforcement, Games Playing FPS Games with Deep Reinforcement Learning Games
Joël Reinforcement, Intro Artificial Intelligence A Modern Approach
Martin Reinforcement, Games Reinforcement Learning In FPS Shooter Games
Marius Reinforcement, Adversarial Robust Adversarial Reinforcement Learning GAN?
Sabrina Reinforcement, Fairness Fairness in Reinforcement Learning
Leon SVM, Texte Text Categorization with SVM: Learning with Many Relevant Features Texte
Chris SVM, Evo Evolutionary learning with kernels: a generic solution for large margin problems Evo
Hatim SVM, Transduktion Transductive Inference for Text Classication using SVM Texte?
Malte Deep Learning, FPGA A Massively Parallel Coprocessor for Convolutional Neural Networks FPGA
Franziska Deep Learning, GAN Generative Adversarial Nets GAN
Jill Deep Learning ,Texte A Neural Probabilistic Language Model Texte
Elmar Deep Learning, MNIST (SVM?) Comparison of Learning Algorithms for Handwritten Digit Recognition
Training Invariant Support Vector Machines
SVM?
Julius Texte Efficient Estimation of Word Representations in Vector Space
Distributed Representations of Words and Phrases and their Compositionality
Texte
Florian PGM An Introduction to graphical models
Pascal PGM Wainwright Jordan - Graphical Models 1 - 4
Nico CRF Conditional Random Fields Texte
Ilja Data streams, features Feature ranking in hoeffding algorithms for regression
Daniel VFDT, concept drift Mining time-changing data streams
Marvin Importance of Prior Information for Optimization Knowledge Matters: Importance of Prior Information for Optimization