Zeit:
Vorlesung: Do 8:30-10:00, U5-133 Übung: Fr 8:30-10:00, U2-232
Aufbauend auf dem Grundlagen-Modul "Neuronale Netze und Lernen", welches die grundlegende Theorie des maschinellen Lernens sowie einige grundlegende Ansätze behandelt hat, werden in diesem Modul weitere, komplexere Lernarchitekturen behandelt. Die Themen der Vorlesung umfassen insbesondere:
- Ensemble-Verfahren - gewichtete Kombination mehrerer Lern-Module
- Mixture-of-Experts - (hierarchische) Zuweisung von Subproblemen zu Experten-Modulen
- Aktives Lernen
- Reinforcement-Lernen
- Partially Observable Markov Decision Processes (POMDPs)
- Gaussian Processes: Bishop, Kapitel 6.4
- Graphical Models
- Sampling: Bishop, Kapitel 11
Übungszettel
- 27.11.09 Übungszettel 1, Mischungsmodelle
Literatur
- Bishop, Ch., "Pattern Recognition and Machine Learning", Springer
- Mitchel, T., "Machine Learning",
- Viola, P., Jones, M., "Robust Real-Time Face Detection", International Journal of Computer Vision 57(2), 137–154, 2004
- Sutton & Barto, "Reinforcement Learning: An Introduction", MIT Press
- Vorlesungsfolien POMDPs, W. Burgard, Uni Freiburg
- David MacKay: "Gaussian Processes Basics" (video lecture)
- Iain Murray: "Markov Chain Monte Carlo" (video lecture)