Seminar über Algorithmisches Lernen SS 2013
LVR-Nr: | 150 544 |
---|---|
Veranstaltung: | Seminar über Algorithmisches Lernen Mo 16.15 - 17.45, NA 1/64 |
Hinweis: | Alle Vortragstermine sind bereits belegt. Daher sind keine weiteren Anmeldungen möglich. |
Dozent: | Hans U. Simon |
News
- Wer die Absicht hat, die Bachelorarbeit als Ausarbeitung des Seminarvortrages zu schreiben: bitte bis zum Ende der Vorlesungszeit bei mir melden zwecks Absprache.
Kommentar
Im Seminar behandeln wir ein populäres und erfolgreiches Werkzeug des Algorithmischen Lernens namens "Support-Vector Machine" oder kurz "SVM". Der Erfolg der SVM beruht zum großen Teil auf der (nichtlinearen) Einbettung von Datenpunkten in hochdimensionale Räume, die sogenannten "Feature Spaces", so dass auf letzteren lineare Klassifikations- oder Regressionsmethoden angewendet werden können. Dabei wird der berüchtigte "Curse of Dimensionality" u.a. durch folgende Manöver entschärft:
- Kontrolle des Generalisierungsfehlers mit Hilfe von "Large Margin"-Methoden
- Zeiteffizienz durch Verwendung des sogenannten "Kernel-Tricks"
Bedingungen für den Erhalt des Seminarscheins sind regelmäßige Teilnahme an den Seminarsitzungen sowie ein erfolgreicher Seminarvortrag .
Im Anschluss an das Seminar werden Themen sowohl für Bachelor- als auch für Masterarbeiten vergeben.
Voraussetzungen
Bei den Studierenden im Bachelorstudienabschnitt werden die Kentnisse der Grundvorlesungen Mathematik erwartet wie sie in den ersten drei Semestern vermittelt werden. Bei den Studierenden im Master-Studienabschnitt werden die im Bachelorstudienabschnitt erworbenen Kenntnisse in Mathematik erwartet.
Literatur
Das Seminar orientiert sich hauptsächlich an den folgenden Fachbüchern:
- Buch 1
- Nello Cristianini und John Shawe-Taylor, "Support Vector Machines"
- Buch 2
- John Shawe-Taylor und Nello Cristianini, "Kernel Methods for Pattern Analysis"
- Buch 3
- Michael J. Kearns und Umesh V. Vazirani, "Computational Learning Theory"
Die drei Bücher stehen ab 11. Februar in der Mathe-Bibliothek als Präsenzexemplare zur Verfügung.
Zeitplan
08.04.2013 | Buch 1, Kap. 2.1, | Linear Learning Machines | Carina Schulte |
15.04.2013 | Orginalarbeit von Littlestone | A New Linear Threshold Algorithm | Marius Deutschmann |
22.04.2013 | Buch 2, Kap. 3.1, 3.2 | Properties of Kernels (Teil 1) | Maren Pfeifer und Laura Szafranski |
29.04.2013 | Buch 2, Kap. 3.3, 3.4 | Properties of Kernels (Teil 2) | Maren Pfeifer und Laura Szafranski |
06.05.2013 | Buch 2, Kap. 9.1-9.3 | Basic Kernels and Kernel Types | Puya Jafari |
13.05.2013 | Buch 3, Kapitel 3.1-3.5 | The Vapnik-Chervonenkis Dimension | Cedric Browatzki |
27.05.2013 | Buch 1, Kap. 4.3 | Margin-Based Bounds on Generalisation | Felix Grünewald |
03.06.2013 | Buch 1, Kap. 5 | Optimisation Theory | Luisa Soodmann |
10.06.2013 | Buch 1, Kap. 6.1 | Support Vector Classification | Michael Breuer und Daniel Loop |
17.06.2013 | Buch 1, Kap. 6.2 | Support Vector Regression | Michael Breuer und Daniel Loop |
24.06.2013 | Buch 1, Kap. 7.4, 7.5 | Sequential Minimal Optimisation | Patricia Wienen |
01.07.2013 | Orginalarbeit von Hush,Scovel | Decomposition Algorithms I | Sevtap Ince |
08.07.2013 | Orginalarbeit von List,Simon | Decomposition Algorithms II | Sandra Pasucha |
15.07.2013 | Orginalarbeit von Wang,Lin | Decomposition Algorithms III | Christoph Ries |