392118 Übungen zu Vertiefung Maschinelles Lernen (Ü) (WiSe 2021/2022)

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

Übungen
Anstatt wöchentliche Übungszettel zu bearbeiten, sollen Sie bis Ende November eine Projektaufgabe realisieren: Suchen Sie eine Implementierung des Viola-Jones-Algorithmus heraus und wenden Sie ihn auf ein komplexes Klassifikationsproblem an. In Frage kommen z.B. Gesichtserkennung, Handerkennung oder sogar Hand-Postur-Erkennung, d.h. Klassifikation der Handstellung.
Datenbanken von Gesichtsbildern
Datenbank von Handposturen
Handposturerkennung mit AdaBoost und SIFT-Features (Full Text)

http://ni.www.techfak.uni-bielefeld.de/teaching/vertiefung-maschinelles-lernen

Teilnahmevoraussetzungen, notwendige Vorkenntnisse

Die Vorlesung wendet sich an einschlägig interessierte Studenten der Informatik, Mathematik und Linguistik im Hauptstudium. Neuronale Netze und Lernen

Literaturangaben

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)

Externe Kommentarseite

http://www.zfl.uni-bielefeld.de/studium/module/techfak/msc_isy/#vertiefung_maschinelles_lernen