Direkt zum InhaltDirekt zur SucheDirekt zur Navigation
▼ Zielgruppen ▼
 

Humboldt-Universität zu Berlin - Mathematisch-Naturwissenschaftliche Fakultät - Wissensmanagement in der Bioinformatik

Seminar Maschinelles Lernen

Prof. Dr. Ulf Leser

In diesem Seminar werden die Grundlagen des Maschinellen Lernens vermittelt. Der Ablauf ist ungewöhnlich: Alle Seminarteilnehmer lesen im Laufe des Semesters das Buch 'Machine Learning' von T. Mitchell. Im Seminar werden die einzelnen Kapitel sukzessive besprochen; dazu wird jeweils ein Teilnehmer ausgelost, der dann die wesentlichen Ideen des Kapitels erklären soll. Im anschliessenden Gespräch werden Fragen aller Teilnehmer diskutiert und gemeinsam beantwortet. Die Erstellung eines speziellen Vortrags oder einer Seminararbeit ist nicht notwendig.

Voraussetzungen

Grundkenntnisse in Statistik; Fähigkeit, ein englisches Buch zu lesen; Kenntnisse in Algorithmen und Datenstrukturen.

Schein und Anrechenbarkeit

Das Seminar ist anrechenbar für

  • Diplom Informatik
  • Monobachelor Informatik
  • Kombibachelor Informatik

Voraussetzung für den Schein ist die regelmäßige Teilnahme und das wochenweise vorbereiten einzelner Kapitel. Ist ein ausgeloster Student wiederholt nicht in der Lage, den Inhalt eines Kapitels überzeugend wiederzugeben, wird er vom Seminar ausgeschlossen.

Anmeldung

Die Teilnehmerzahl ist begrenzt, die Anmeldung erfolgt über Goya.

Termine und Ablauf

Das Seminar findet immer Donnerstags von 13.30 bis 15.00 Uhr in Raum RUD26, 1'308 statt.
Die Einführungsveranstaltung findet am 25.10.2012 statt und ist für alle Teilnehmer verpflichtend. Dort wird das Vorgehen im Seminar erläutert und ein Kurzüberblick über maschinelles Lernen gegeben. Bei diesem und jedem weiteren Termin wird dann ein weiteres Kapitel angesagt, das bis zum nächsten Termin zu lesen und aufzubereiten ist, an dem es dann auch besprochen wird.

Folien der Einführungsveranstaltung.

Wir werden die folgenden Kapitel lesen (aber nicht immer komplett):

  • Bis 01.11.: Kapitel 1: Introduction, komplett
  • Bis 15.11.: Kapitel 2: Concept Learning, komplett
  • Bis 22.11.: Kapitel 3: Decision Tree Learning, komplett
  • Bis 29.11.: Kapitel 5: Evaluation, komplett
  • Bis 13.12.: Kapitel 4: Artificial Neural Networks, 81-116
  • Bis 20.12.: Kapitel 8: Instance-based Learning, 230-238
  • Bis 10.1.: Kapitel 6: Bayesian Methods, 154-184 und 191-197
  • Bis 17.1.: Kapitel 9: Genetic Programming, 249-166
  • Bis 24.1.: Kapitel 10: Rule Learning, 274-291
  • Bis 14.2.: Kapitel 13:Reinforcement Learning, komplett