Die Vorlesung Maschinelles Lernen ist eine Einführung in das Gebiet der künstlichen Intelligenz und behandelt neben einem Überblick über das Gebiet sowohl die theoretischen Grundlagen als auch eine Reihe praktischer Umsetzungen. Dabei bieten insbesondere die Übungen die Möglichkeit, die vorgestellten Algorithmen in einer flexiblen Umgebung zu implementieren und auf einer Reihe von (eigenen?) Daten auszuprobieren.
Auf dieser Seite findet ihr einige Infos zur Vorlesung und zur Übung. Die genauen Modalitäten zu den Abgaben, dem Scheinerwerb und weiteren Details könnt ihr dem Info-Blatt entnehmen. Bei Fragen zur Vorlesung oder den Übungen helfen wir euch gerne weiter. Ihr erreicht uns hier:
Vorlesung | Übungen |
Prof. Dr. Katharina Morik
Campus Süd, GB IV, Raum 115 katharina.morik (at) cs.uni-dortmund.de | Dipl.-Inf. Christian Bockermann
Campus Süd, GB IV, Raum 119 christian.bockermann (at) cs.uni-dortmund.de |
Nähere Informationen dazu findet ihr auf dem bereits angesprochenen Info-Blatt.
Nachfolgend findet ihr während der Vorlesung eine laufend aktualisierte Liste der Vorlesungsinhalte. Die Auflistung garantiert keine Vollständigkeit und ist nicht als Grundlage für Prüfungsvorbereitungen sondern lediglich als Erinnerung/Überblick zu verstehen.
NEU: Die Folien sind nun auch als Vorlesungsskript verfügbar.
14.10.2008 |
Motivation für maschinelles Lernen, Anwendungen Lernen beim Menschen Überblick über Lernaufgaben, Validierung, Kreuzvalidierung |
Folien: [Präsentation] [Druckversion Druckversion 4-auf-1] |
21.10.2008 |
Lineare Modelle, Anpassung über Trainingsfehler Dekomposition in Bias Varianz |
Folien: [Druckversion] [Druckversion 4-auf-1] |
28.10.2008 |
Globale -> lokale Modelle, k-nächste Nachbarn Modellselektion mit Kreuzvalidierung, Bayesche Statistik und das BIC-Kriterium |
Folien: [Druckversion] [Druckversion 4-auf-1] |
04.11.2008 |
Modellselektion über Maximum Likelihood Minimum Description Length, Baumlerner ID3 |
Folien: [Druckversion] [Druckversion 4-auf-1] |
11.11.2008 |
Baumlerner (Fortsetzung), Konfidenzintervalle, Z-Transformation Gütemaße (Accuracy, Recall, F-Measure), Lift&ROC Funktionsapproximation mit natürlichen kubischen Splines |
Folien: Siehe Folien vom 04.11.2008. |
18.11.2008 |
Support Vector Machine, Maximum Margin Problem Optimierung unter Nebenbedingungen nach Lagrange Relaxation -> weich trennenden Hyperebenen |
Folien: [Druckversion] [Druckversion 4-auf-1] |
25.11.2008 |
Folien: [Druckversion] [Druckversion 4-auf-1] |
|
02.12.2008 | Strukturelle Risikominimierung, VC-Dimension |
Folien: [Druckversion] [Druckversion 4-auf-1] |
09.12.2008 |
Text-Klassifikation, Information-Retrieval, TFIDF, TCat-Modell |
Folien: [Druckversion] [Druckversion 4-auf-1] |
16.12.2008 | SVMstruct |
Folien: [Druckversion] [Druckversion 4-auf-1] |
06.01.2009 |
Clustering, Ähnlichkeit und Distanzmaße, Optimierungsproblem k-Meansm, Heuristiken zur Bestimmung von k und Anfangspunkten Hierarchisches Clustering |
Folien: [Druckversion] [Druckversion 4-auf-1] |
13.01.2009 |
Tag-Sammlungen (Folksonomies), Cluster Ensembles (nach Topchy), Localized Alternative Clustering of Ensembles (LACE) Hierarchisches Clustering, Konsensusmodelle |
Folien: [Druckversion] [Druckversion 4-auf-1] |
20.01.2009 |
Merkmalsextraktion aus Musik-Daten, Merkmalserzeugung mittels Genetischer Programmierung, Merkmalstransfer |
Folien: [Druckversion] [Druckversion 4-auf-1] (Fortsetzung der vorherigen Vorlesung/des vorherigen Foliensatzes)
|
Die Folien wurde erweitert und zu einem Vorlesungsskript zusammengefasst.