Maschinelles Lernen 2

Vorlesung und Übung im Sommersemester 2014. Prof. Tobias Scheffer, Dr. Niels Landwehr

Termine

Die Veranstaltung umfasst 4 SWS (6 LP); anrechenbar für Diplom, Bachelor und Master.

• Vorlesung: Dienstag, 10:00-11:30, Raum 3.01.2.31.
• Übung: Dienstag, 12:00-13:30, Raum 3.01.2.31.

Am 08.04.2014 und 15.04.2014 findet nur die Vorlesung statt. Der erste Übungstermin ist der 22.04.2014.

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 Recommender-Systeme, Reinforcement-Lernen, graphische Modelle, unüberwachtes Lernen, 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 der 1. Übung am 22.04.2014

Aufgaben der 2. Übung am 29.04.2014

Aufgaben der 3. Übung am 06.05.2014

Aufgaben der 4. Übung am 13.05.2014

Aufgaben der 5. Übung am 20.05.2014

Aufgaben der 6. Übung am 27.05.2014

Aufgaben der 7. Übung am 03.06.2014

Aufgaben der 8. Übung am 10.06.2014

Aufgaben der 9. Übung am 17.06.2014

Aufgaben der 10. Übung am 24.06.2014

Aufgaben der 11. Übung am 01.07.2014

Aufgaben der 12. Übung am 08.07.2014

Aufgaben der 13. Übung am 15.07.2014

Vorlesung

1. Einführungsveranstaltung

• Organisation, Überblick. Folien.

2. Recommendation

• Inhaltsbasierte und kollaborative Empfehlungen, Matrix Faktorisierung. Folien.

3. Graphische Modelle

• Syntax und Semantik Graphischer Modelle, bedingte Unabhängigkeit, D-Separation. Folien vom 22.04.2014.
• Graphische Modelle im maschinellen Lernen. Folien vom 29.04.2014.
• Exakte Inferenz in Graphischen Modellen. Folien vom 06.05.2014.
• Approximative Inferenz: Sampling. Hidden Markov Modelle. Folien vom 13.05.2014.

4. Reinforcement Learning

• Reinforcement Learning: Endliche Zustands- und Aktionsmengen. Folien vom 20.05.2014.
• Reinforcement Learning: Funktionsapproximationsmethoden. Folien vom 27.05.2014.

5. Hauptkomponentenanalyse

• Problemstellung, Optimierungsproblem, Kernel-PCA, Fisher Diskriminante. Folien vom 03.06.2014.

6. Clusteranalyse

• Problemstellung, Hierarchische Clusterverfahren, Spectral Clustering. Folien vom 10.06.2013.
• K-Means. Gauß'sche Mischmodelle, Expectation-Maximization. Folien vom 17.06.2014.

6. Neuronale Netze

• Neuronale Netze, Deep Learning, Backpropagation, Auto Encoder, Convolutional Network, Restricted Boltzmann Machine. Folien vom 24.06.2014 und 1.07.2014.

7. Hypothesenbewertung

• Konfidenzintervalle, Statistische Tests. Folien vom 8.07.2014.

Zusammenfassung

• Folien vom 15.07.2014.