Seminar aus maschinellem Lernen
News
Die Noten hängen aus.
Übersicht
Im Rahmen dieses Seminars diskutieren wir aktuelle Forschungsergebnisse aus verschiedenen Bereichen des maschinellen Lernens. Das Seminar wird voraussichtlich aus den folgenden Bereichen bestehen:
- Reinforcement Learning & Active Learning
- Rule Learning
- Semantic Web
Es wird zu jedem dieser drei Bereiche vier bis fünf Themen geben, die dann bearbeitet werden können. Die zeitliche Einteilung wird sich ebenfalls an der obigen Reihenfolge orientieren. So beginnen wir ca. in der 3 Vorlesungswoche (genauere Angaben finden sich hier) mit den Präsentationen von Reinforcement Learning & Active Learning, machen dann mit Rule Learning weiter und schließen das Seminar mit den Themen aus dem Bereich Semantic Web ab.
Als Grundlage und Arbeitsmaterialien dienen daher verschiedene Fachpublikationen.
Es wird erwartet, daß Studenten die ihnen zugeteilten Materialien in einem ca. 45-minütigen Kurz-Vortrag (30 min Vortrag, 15 min Diskussion) vorstellen. Der Vortrag sollte jedoch inhaltlich über diese Materialien hinausgehen und eine selbstständige Auseinandersetzung mit dem gewählten Thema demonstrieren.
Organisatorisches
Zeit und Ort: Dienstags, 14:25-16:05 Uhr, S103/107
Organisation: Frederik Janssen (Rule Learning), Heiko Paulheim (Semantic Web), Christian Wirth (Reinforcement Learning & Active Learning) und Eneldo Loza Mencia
Am Di, 23.10.2012 wird es eine Vorbesprechung zum Seminar geben in welcher die Themen kurz vorgestellt werden und die Vergabe der Themen erfolgt. Daher sollte jeder sich zu diesem Zeitpunkt bereits informiert haben welche Themen es gibt und welche man bevorzugt. Das Seminar wird dann 2 Wochen später mit dem ersten Vortrag starten (also am 6.11.12).
Bitte teilen Sie uns bis zum Do, 25.10.12 Ihre Themenwünsche mit (3 Prioritäten).
Anmeldung
Zum Seminar ist eine verbindliche Anmeldung per Mail erforderlich. Bitte geben Sie Ihre Matrikelnummer mit an. Die Teilnahmegrenze liegt bei 20 Personen. Sollten sich mehr als 20 Personen anmelden, wird der Zeitpunkt der Anmeldung ausschlaggebend sein.
Ablauf
Jede/r Student/in erhält einen oder mehrere Fachartikel zur Ausarbeitung, deren wesentliche Aspekte dann in einem Vortrag vorgestellt und im Anschluß von allen diskutiert werden sollen. Die Vorträge und/oder Folien können wahlweise auf Deutsch oder Englisch gehalten werden. Es wird erwartet, dass regelmäßig am Seminar teilgenommen wird, dafür muss man keine Ausarbeitung anfertigen.
Vorkenntnisse
Da diese Artikel dem letzten Stand der Forschung entsprechen, wird einerseits erwartet, dass entsprechende Grundkenntnisse (und Interesse!) in maschinellem Lernen und Data Mining mitgebracht werden, dass man sich aber andererseits im Zuge der Vorbereitung auch selbständig mit der Thematik weiter vertraut macht und ggf. auch weiterführende bzw. grundlegende Literatur zu Rate zieht (bitte Quellen nennen).
Vorträge
Es wird erwartet, daß Sie die Vorträge mit Folien begleiten. Falls Sie keinen Laptop haben, bitten wir darum, uns die Slides rechtzeitig zu senden, damit wir sie auf einem anderen Laptop einspielen bzw. testen können. Die Vorträge und/oder Slides können wahlweise auf Deutsch oder Englisch gehalten werden.
Die Folien können mit dem Programm Ihrer Wahl erstellt werden, sollten aber zumindest das KE-Logo irgendwo beinhalten. Das Logo in eps finden Sie hier, in pdf ist es hier verfügbar. Gerne können Sie auch Latex benutzen. Hierfür empfiehlt sich das TU Corporate Design, welches hier verfügbar ist. Es handelt sich dann um die Klasse tudbeamer. Die Farbe wäre für KE accentcolor=tud7b.
Beispiele für Vorträge finden Sie auf der Veranstaltungsseite vom letzten Jahr.
Benotung
In die Gesamtnote fließen die Ausarbeitung des Vortrags (Folien), die Präsentation, die Beantwortung von Fragen zum Vortrag, sowie die aktive Teilnahme an der Diskussion bei den Vorträgen anderer ein.
Im Vordergrund der Gesamtbenotung steht jedoch die selbständige Auseinandersetzung mit dem Problem. Für eine sehr gute (1.x) Beurteilung muß klar sein, dass Sie die fraglichen Arbeiten verstanden haben und von den vorliegenden Papers abstrahieren können. Eine exakte Wiedergabe des Inhalts der Papiere führt nur zu einer Beurteilung mit 2.x, außerordentlich schwache Leistungen in einem der genannten Punkte zu 3.x oder schlechter.
Termine
06.11.12
fällt aus!
13.11.12
Rudolf Lioutikov - Nonparametric Representation of Policies and Value Functions: A Trajectory-based Approach (Reinforcement Learning & Active Learning) [Slides]
20.11.12
Thomas Arnold - GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters (Reinforcement Learning & Active Learning) [Slides]
27.11.12
Sören Schmidt - Results of the Active Learning Challenge (Reinforcement Learning & Active Learning) [Slides]
Yasmin Krahofer - Combining Manual Feedback with Subsequent MDP Reward Signals for Reinfocement Learning (Reinforcement Learning & Active Learning) [Slides]
04.12.12
Seminar fällt aus!
11.12.12
Thu Huong Luu - Supervised Descriptive Rule Discovery: A Unifying Survey of Contrast Set, Emerging Pattern and Subgroup Mining (Rule Learning) [Slides]
18.12.12
Seminar fällt aus!
15.01.13
Julian Prommer - Data-Driven Adaptive Selection of Rules Quality Measures for Improving the Rules Induction Algorithm & A Comparison of Rule Sets Generated from Databases by Indiscernibility Relation - A Rough Sets Approach (Rule Learning) [Slides]
Jan Hendrick Meub - RULES-6: a simple rule induction algorithm for handling large data sets (Rule Learning) [Slides]
22.01.13
Thanh Tung Do - DBpedia Ontology Enrichment for Inconsistency Detection & Statistical Schema Induction (Semantic Web) [Slides]
29.01.13
Paul Dubs - Learning expressive linkage rules using genetic programming (Semantic Web) [Slides]
Amir Naseri - YAM++ - A combination of graph matching and machine learning approach to ontology alignment task (Semantic Web) [Slides]
05.02.13
Benjamin Lück - Template-based Question Answering over RDF Data (Semantic Web) [Slides]
Übriggebliebene Themen
Rule Learning
- Nada Lavrac, Johannes Fürnkranz, and Dragan Gamberger: Explicit Feature Construction and Manipulation for Covering Rule Learning Algorithms (26 pages, 2010)