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.
Der zweite Termin des Präsentationskurses wird am 17. Januar 2018 von 12:30 - 16:00 im Raum 4.013 OH 12 stattfinden.
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 |
|
