Dozentin: Ulrike von Luxburg
Vorbesprechung: Fr 9:50 - 11:30, Raum S2 02 | A126
Voraussetzungen: Vordiplom, Grundkenntnisse in maschinellem Lernen
Eine ausführliche Themenliste gibt es hier.
Kurze Beschreibung:
Dieses Seminar bietet einen Streifzug durch Algorithmen und Anwendungen, in denen maschinelles Lernen mit Methoden aus der Graphentheorie kombiniert wird. Im einfachsten Fall dienen Graphen dazu, Beziehungen und Ähnlichkeiten zwischen den Datenpunkten darzustellen. Probleme wie Klassifikation oder Clustering können dann gelöst werden, indem man geeignete Schnitte und Partitionen des Graphen konstruiert. Ein anderes Gebiet sind Algorithmen, in denen die Trainingspunkte selber eine natürliche Graphstruktur besitzen (z.B. Moleküle) oder die Ausgabewerte keine reellen Zahlen, sondern Graphen sind (z.B. bei der Vorhersage der Struktur eines Proteins). Während man im ersten Fall von der Graphstruktur abstrahieren kann, indem man Ähnlichkeitsfunktionen zwischen Graphen konstruiert, müssen im zweiten Fall komplett neue Algorithmen entworfen werden. Weiterhin können Graphen dazu benutzt werden, ein Modell zu beschreiben, das die Daten erklären kann. Prominente Vertreter sind hier probabilistische Modelle wie Bayes-Netze oder Hidden Markov Models. Schließlich können auch manche Lern-Algorithmen selbst mit Hilfe von Graphen beschrieben werden, wie zum Beispiel neuronale Netze.
Organisatorisches:
Die Anmeldung und Themenvergabe erfolgt in beim ersten Seminartermin in der ersten Semesterwoche. Im Normalfall bearbeitet jeder Teilnehmerein Thema, es können aber auch größere Themenblöcke an Gruppen bis zu drei Studenten vergeben werden. Jeder Teilnehmer hält einen Vortrag von 45 Minuten. Eine individuelle Vorbesprechung mindestens zwei Wochen vor dem Vortragstermin ist verpflichtend. Eine Woche vor dem Vortragstermin muß eine erste Version der Folien in elektronischer Form abgegeben werden.
Die Benotung erfolt auf Grund des Vortrags und der Folien. Eine schriftliche Ausarbeitung wird nicht verlangt.