Seminar aus maschinellem Lernen

Übersicht

Im Rahmen dieses Seminars diskutieren wir aktuelle Forschungsergebnisse aus dem Bereich des maschinellen Lernens. Ein besonderer Fokus liegt in diesem Semester auf den Bereichen Regellernen sowie Lernen im Semantic Web. Die Idee hier ist, Elemente aus beiden Bereichen zu vereinen. So kann man beispielsweise Regellerner benutzen, um Zusammenhänge bei Ontologien zu erkennen und zu erklären. Da es an unserem Fachgebiet Expertise in beiden Gebieten gibt, liegt es nah eine Brücke zwischen beiden Disziplinen zu schlagen. In diesem Seminar soll ein erster Schritt in diese Richtung gemacht werden, indem Forschungergebnisse aus beiden Bereichen alternierend präsentiert werden.

Als Grundlage und Arbeitsmaterialien dienen daher verschiedene Fachpublikationen, eine genaue Liste finden Sie hier.

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 selb­ständige Au­seinan­der­set­zung mit dem gewählten Thema demon­stri­eren.

Organisatorisches

Zeit und Ort: Dienstags, 16:15-17:55, E302
Organisation: Frederik Janssen, Heiko Paulheim

Am 18.10.2011 war die Vorbesprechung zum Seminar. Die Folien zur Vorbesprechung finden Sie hier. Dort wurden wir die angedachten Themen des Semesters vorstellen. Die Teilnehmer wählen dann innerhalb einer Woche ihre Themen, wobei möglichst eine erste, zweite und dritte Wahl gemacht werden sollte. Die Themen werden dann in der Reihenfolge, in der wir die Präferenzen bekommen haben, zugeordnet. Der erste Vortrag findet am 08.11.2011 statt.

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.

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.

Themen und Termine

Im folgenden finden Sie eine Zuordnung der diesjährigen Themen. Manche Themen umfassen 2 kleinere Arbeiten, manche nur eine größere. Bitte beachten Sie, dass die meisten papers nur im TU-Netz heruntergeladen werden können.

08.11.11

Johannes Dorn - A Statistical Approach to Rule Learning (PDF) & Efficient Rule Ensemble Learning using Hierarchical Kernels (PDF)
(Slides)

15.11.11

Marcel Blöcher - Fast Counting with AV-Space for Efficient Rule Induction (PDF)
(Slides)

22.11.11

Tobias Eggert - Finding a short and accurate decision rule in disjunctive normal form by exhaustive search (PDF)
(Handout), (Slides)

29.11.11

Martin Schmitz - Probabilistic Rule Learning (PDF) & Learning to rank cases with classification rules (PDF)
(Slides)

06.12.11

Moritz Hof - Learning Relations by Pathfinding (PDF) & Path Query Processing on Very Large RDF Graphs (PDF)
(Slides)

13.12.11

Johanna Letschert - Automated Feature Generation from Linked Open Data (PDF)
(Slides)

20.12.11

Oleksii Donets - Profiling Linked Open Data with ProLOD (PDF) & LiDDM: A Data Mining System for Linked Data (PDF)
(Slides)

10.01.12

kein Seminar

17.01.12

Johannes Simon - Verification and Refactoring of Ontologies With Rules (PDF) & Towards the Verification of Ontologies with Rules (PDF) & Anomalies in ontologies with rules (PDF)
(Slides)

24.01.12

Johannes Beutel - Concept learning in description logics using refinement operators (PDF) & DL-Learner: Learning Concepts in Description Logics (PDF)
(Slides)

31.01.12

Jan Ruben Zilke - Populating the Semantic Web by Macro-Reading Internet Text (PDF) & Coupled Semi-Supervised Learning for Information Extraction (PDF)
(Slides)

07.02.12

Christian Olczak - AutoSPARQL: Let Users Query Your Knowledge Base (PDF)
(Slides)

Dirk Kröhan - Adding Data Mining Support to SPARQL Via Statistical Relational Learning Methods (PDF)

verbleibende Themen:

Ontology Learning

• Statistical Schema Induction (PDF)
• DL-FOIL: Concept Learning in Description Logics (PDF)

Ontology Matching

• Improving Ontology Matching using Meta-level Learning (PDF) & Machine Learning Approach for Ontology Mapping using Multiple Concept Similarity Measures (PDF)

Features and Rule Learning Algorithms

• Explicit Feature Construction and Manipulation for Covering Rule Learning Algorithms (PDF)

User-based Evaluation of Rules

• Gray Box Robustness Testing of Rule Systems (PDF) & Declarative Specification and Interpretation of Rule-Based Systems (PDF)