Maschinelles Lernen 2
Vorlesung und Übung im Sommersemester 2012. Prof. Tobias Scheffer, Dr. Niels Landwehr, Christoph Sawade.
Termine
Die Veranstaltung umfasst 4 SWS (6 LP); anrechenbar für Diplom, Bachelor und Master.
- Übung: Donnerstag, 10:00-11:30, 03.04.0.02 (ab 19.04.2011).
- Vorlesung: Donnerstag, 12:00-13:30, 03.04.0.02.
Inhalte
Die Veranstaltung ergänzt und vertieft die Vorlesung "Maschinelles Lernen". Maschinelles Lernen beschäftigt sich mit Algorithmen, die aus Daten lernen können. Algorithmen des maschinellen Lernens gewinnen aus Daten Modelle, mit denen sich dann Vorhersagen über das beobachtete System treffen lassen. Anwendungen für Datenanalyse-Verfahren erstrecken sich von der Vorhersage von persönlichen Musikempfehlungen über Kreditrisiken bis hin zu der Auswertung astronomischer Daten. Die in diesem zweiten Teil der Veranstaltung behandelten Inhalte umfassen Reinforcement-Lernen, graphische Modelle, Gauss'sche Prozesse, Kernel-Methoden und andere Themen.
Literatur
Chris Bishop. Pattern Recognition and Machine Learning. Wir haben 30 Exemplare zum Verleihen bestellt.
Sutton & Barto. Reinforcement Learning: An Introduction HTML-Version.
Busoniu et al. Reinforcement Learning and Dynamic Programming Using Function Approximation
Übungen
Aufgaben und Ressourcen der 1. Übung am 03.05.2012 abweichend um 11:00
Aufgaben der 2. Übung am 10.05.2012
Aufgaben der 3. Übung am 24.05.2012
Aufgaben der 4. Übung am 31.05.2012
Aufgaben der 5. Übung am 07.06.2012
Aufgaben der 6. Übung am 14.06.2012
Aufgaben der 7. Übung am 21.06.2012
Aufgaben der 8. Übung am 05.07.2012
Aufgaben der 9. Übung am 12.07.2012
Vorlesung
1. Einführungsveranstaltung- Organisation, Überblick. Folien.
- Reinforcement Learning 1. Kleine diskrete Zustandsräume und Aktionsmengen. Folien.
- Reinforcement Learning 2. Große und unendliche Zustandsräume. Folien als pdf und pptx.
- Inhaltsbasierte und kollaborative Empfehlungen, Matrix Faktorisierung. Folien.
- Syntax und Semantik Graphischer Modelle, bedingte Unabhängigkeit, D-Separation.Folien vom 10.05.2012.
- Graphische Modelle im maschinellen Lernen. Exakte Inferenz: Message-Passing.Folien vom 24.05.2012.
- Exakte Inferenz auf Polytrees. Sequenzmodelle. Sampling-basierte approximative Inferenz. Folien vom 31.05.2012.
- Problemstellung, Motivation. K-Means. Gauß'sche Mischmodelle, Expectation-Maximization. Folien vom 07.06.2012.
- Hierarchische Clusterverfahren, Spectral Clustering. Folien vom 14.06.2012 (aktualisiert 21.06.2012).
- Eigenwerte von Matrizen. Folien vom 14.06.2012.
- Problemstellung, Optimierungsproblem, Kernel-PCA, Fisher Diskriminante. Folien vom 21.06.2012.
- Bayes'sches Lernen, Billiard-Algorithmus. Folien vom 21.06.2012.
- Konfidenzintervalle, Statistische Tests, Typ I und II Fehler, p-Wert. Folien vom 05.07.2012.
- Folien vom 12.07.2012.