Maschinelles Lernen / Machine Learning
Kursbeschreibung
| Dozent | Osswald, R. |
| Veranstaltungsart | Hauptseminar |
| Zeit | Mittwoch, 11:15-12:45 Uhr |
| Ort | INF 325, SR 24 |
| Studiengang | MA, Magister |
| Modul-ID |
Maschinelles Lernen
Machine Learning |
| Modul-Kürzel | MA: SS-CL, SS-TAC |
| Leistungsbewertung | 8 ECTS-Punkte |
Teilnahmevoraussetzungen
Programmierprüfung
Leistungsnachweis
Bearbeitung von Übungsaufgaben; Referat und Hausarbeit oder Referat und Projekt
Inhalt
Die Teilnehmerzahl ist auf 20 beschränkt. Interessenten werden gebeten, sich bis zum 24. September unter der E-Mail-Adresse osswald@cl.uni-heidelberg.de anzumelden. Die Veranstaltung hat in der ersten Semesterhälfte die Form einer Vorlesung; in der zweiten Hälfte erfolgen Referate der Teilnehmer.
Gegenstand der Veranstaltung sind grundlegende Methoden des Maschinellen Lernens und ihre Anwendung auf computerlinguistische Fragestellungen. Behandelt werden unter anderem Entscheidungsbäume, Clustering-Verfahren, Bayessches Lernen, Kernel-basierte Methoden und Support-Vector-Maschinen sowie Lernverfahren für relationale Modelle. Zu den Anwendungsfeldern in der Computerlinguistik zählen Textklassifikation, Lexikon- und Grammatikinduktion oder auch die Extraktion semantischer Relationen.
Kursübersicht
Seminarplan
| Datum | Sitzung | Materialien |
| 08.10. | Einführung, einfaches Konzeptlernen | Slides (PDF) |
| 15.10. | Konzeptlernen, Klassifikation, Einführung Entscheidungsbäume | Slides (PDF) |
| 22.10. | Entscheidungsbäume | Slides (PDF) |
| 29.10. | Neuronale Netze | Slides (PDF) |
| 05.11. | Regelinduktion, Induktive Logische Programmierung | Slides I, II (PDF) |
| 12.11. | Support-Vektor-Maschinen | Slides (PDF) |
| 19.11. | Clustering-Verfahren | Slides (PDF) |
| 26.11. | Ähnlichkeitsmaße, instanzbasiertes Lernen, Ensemble-Methoden | Slides I, II (PDF) |
| 03.12. | Bayessche Methoden, Naive Bayes, Bayessche Netze | Slides I, II, III (PDF) |
| 10.12. | Referat von Benjamin Börschinger Schulte im Walde (2006): Experiments on the Automatic Induction of German Semantic Verb Classes Referat von Felix Hieber Turney (2006): Similarity of Semantic Relations |
Slides (PDF) Slides (PDF) |
| 17.12. |
Referat von Kerem Cumhur Bunescu/Mooney (2007): Extracting Relations from Text |
Slides (PDF) |
| 07.01. |
Referat von Martin Frey Bunescu/Mooney (2007): Statistical Relational Learning for Natural Language Information Extraction |
Slides (PDF) |
| 14.01. | Referat von Armin Schmidt Kamal Nigam, Andrew McCallum, and Tom Mitchell (2006): Semi-Supervised Text Classification Using EM Referat von Martina Trognitz Mats Rooth et al. (1998): Inducing Lexicons with the EM Algorithm |
Slides (PDF)
Slides (PDF) |
| 21.01. |
Referat von Elena Neuschild Xin Li and Dan Roth (2006): Learning Question Classifiers: The Role of Semantic Information Andrew Carlson et al. (2004): SNoW User Manual Referat von Klaus Suttner Stephan Bloehdorn and Alessandro Moschitti (2007): Combined Syntactic and Semantic Kernels for Text Classification | Slides (PDF) |
| 28.01. | Referat von Andreas Dörr Jun'ichi Kazama and Jun'ichi Tsujii (2005): Maximum Entropy Models with Inequality Constraints: A Case Study on Text Categorization. Machine Learning 60:159-194. Referat von Lucas Hausmann Walter Daelemans et al. (1999): Memory-Based Shallow Parsing Walter Daelemans et al. (2007): TiMBL: Tilburg Memory-Based Learner (Reference Guide) |
Übungsblatt 1 (Abgabe: 10.11.2008)
» weitere Kursmaterialien
Literatur
Einführende Literatur:
- Mitchell: Machine Learning. McGraw-Hill, 1997.
- Tan/Steinbach/Kumar: Introduction to Data Mining. Addison-Wesley, 2006.
- Witten/Frank: Data Mining. 2. Auflage. Morgan Kaufman, 2005.
- Bishop: Pattern Recognition and Machine Learning. Springer, 2006.
- Schölkopf/Smola: Learning with Kernels. MIT Press, 2002.
Genauere Angaben zur Seminarliteratur werden in der Veranstaltung bekannt gegeben.
