Vorlesung Maschinelles Lernen 1 (ID Course)
(Integrierte Vorlesung mit Übung, Basisveranstaltung)
| Termin: | Dienstag, 14:00 - 18:00 Uhr
|
|---|
| Raum: | FR 0513
|
|---|
| Dozent: | Prof. Dr. Klaus-Robert Müller
|
|---|
| Ansprechpartner: | Dr. Mikio Braun [Homepage]
|
|---|
Die Vorlesung behandelt einführende Themen im Bereich des
maschinellen Lernens. Es sind keine Vorkenntnisse erforderlich,
allerdings sind Kenntnisse in Linearer Algebra und Grundkenntnisse in
Wahrscheinlichkeitsrechnung hilfreich.
Im Einzelnen wird sich die Vorlesung mit den folgenden Themen beschäftigen:
- Grundlagen Wahrscheinlichkeitstheorie
- Maximum Likelihood Schätzer und Bayes'sche Inferenz
- Hauptkomponentenanalyse
- Faktoranalyse
- K-means Clustering
- Lineare Diskriminanzanalyse
- K-nächste Nachbarklassifikation
- Least Mean Squares Klassifikation
- Fisher Diskriminanten
- Regression
- Modellselektion
- Supportvektormaschinen
- Radialbasisfunktionsnetze
- Gauss'sche Prozesse
Im Anschluß an die Vorlesung findet die Übung statt, in der die
erlernten Methoden vertieft werden.
Material
Übungsblätter
- Blatt 1 [pdf], Anmerkungen zum
ersten Übungsblatt [pdf]
- Blatt 2 [pdf]
- Blatt 3 [pdf]
- Blatt 4 [pdf]
- Blatt 5 [pdf]
- Blatt 6 [pdf]
- Blatt 7 [pdf]
- Blatt 8 [pdf]
- Blatt 9 [pdf]
- Blatt 10 [pdf]
- Blatt 11 (korrigierte Version. Abgabe ausnahmsweise verlängert bis
Sonntag, 28. Januar 2007) [pdf]
- Blatt 12 [pdf]
- Blatt 13 [pdf]
Weiterführende Informationen
- Modelselektion für Clustering [link]
- Folien zu Kernmethoden
[link]
- Kernel-ridge-regression [link]
Arbeitsgruppe