Vorlesung: Machine Learning 1 - Statistical Approaches

Wir freuen uns ueber Rueckfragen, z.B. durch ein eMail an !!!

Please subscribe to our class mailing list at http://lists.ausy.tu-darmstadt.de/listinfo/vorlesung-ml (CURRENTLY NOT AVAILABLE)

Quick Facts

Instructor:Jan Peters
TA:Roberto Calandra
Lectures:Tuesdays, 13:30-15:10 in Room S202/C120
 Wednesdays, 15:20-16:05 in Room S202/C110
TU-CAN:20-00-0358-iv Machine Learning: Statistical Approaches
Credits:6,0
Exam:TBA

Description

Die Informatik entwickelt sich seit dem Aufkommen des World-Wide-Webs von einer Computerwissenschaft langsam in die Kunst, intelligente Software- und Hardwaresysteme zu erstellen, die aus Daten gute Schluesse ziehen.

Warum? Schauen wir uns die Fakten an: Milliarden von Webseiten stehen uns zur Verfuegung, Videos mit eine akkumulierten Dauer von 20 Stunden werden jede Minute auf YouTube hochgeladen und die Supermarktkette Walmart alleine schaff mehr als eine Million Transaktionen pro Stunde und eine Datenbank mit mehr als 2.5 Petabytes an Information. John Naisbitt hat es klar auf den Punkt gebracht:

We are drowning in information and starving for knowledge.

Die wichtigste Kerntechnologie der zukuenftigen Informatik ist daher das Maschinelle Lernen. Nicht nur das: es ist heute schon die Technologie, die Informatikern die besten Jobs verspricht. Hal Varian, 2009, der Chief Engineer von Google drueckte sich wie folgt aus:

''I keep saying the sexy job in the next ten years will be statisticians and machine learners. People think Iam joking, but who would have guessed that computer engineers would have been the sexy job of the 1990s? The ability to take data, to be able to understand it, to process it, to extract value from it, to visualize it, to communicate it, that is going to be a hugely important skill in the next decades.''

Inhalt dieser Vorlesung ist dementsprechend die Einfuehrung in das Maschinelle Lernen. Es wird hierbei besonderer Wert auf eine verstaendliche Darstellung gelegt sowie auf die Bearbeitung kleiner Beispielprobleme durch Studenten. Der Dozent legt besonderen Wert auf viel Interaktion mit den Teilnehmern der Vorlesung.

Contents

Die Vorlesung gibt eine systematische Einfuehrung in statistische Verfahren des maschinellen Lernens. Die Vorlesung behandelt voraussichtlich folgende Themen: Probability Distributions, Linear Models for Regression and Classification, Kernel Methods, Graphical Models, Mixture Models and EM, Approximate Inference, Continuous Latent Variables, Hidden Markov Models.

Requirements

Math classes from the bachelor's degree, basic programming abilities, introductionary classes to computer science

Office Hours

Jan Peters (Professor)Donnerstag, 11:40 - 12:40
Roberto Calandra (Teaching Assistant)Fridays, 11:00 - 12:00 (no appointments are needed!) EXTRA OFFICE HOURS ON 15 July at 15:20!

Language

All communication and the lectures will be in English unless severe concerns exist...

Final Exam

  • The final exam will take place the 20 July 2015 (Register on TUCAN !!!)
  • The exam will cover all material presented in the lectures, unless specified otherwise.
  • The exam will consist of 30 questions.
  • Students are allowed to bring to the exam a cheat sheet consisting of a single A4 paper (i.e., you can use both faces).

Homeworks

To see the information on the homework, please login with your TU-ID.!!!

Lectures

To see the lectures, please login with your TU-ID.!!!

Literatur

Die wichtigsten Buecher fuer die Vorlesung sind

  1. C.M. Bishop, Pattern Recognition and Machine Learning (2006), Springer book announcement
  2. K.P. Murphy, Machine Learning: a Probabilistic Perspective (expected 2012), MIT Press book announcement

Praktisch sind auch die folgenden Buecher:

  1. D. Barber, Bayesian Reasoning and Machine Learning (2012), Cambridge University Press Free online copy.
  2. T. Hastie, R. Tibshirani, and J. Friedman (2003), The Elements of Statistical Learning, Springer Verlag Free online copy.
  3. D. MacKay, Information Theory, Inference, and Learning Algorithms (2003), Cambridge University Press Free online copy.
  4. R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification (2nd ed. 2001), Willey-Interscience
  5. T.M. Mitchell, Machine Learning (1997), McGraw-Hill
  6. R. Sutton, A. Barto. Reinforcement Learning - an Introduction, MIT Press Free online copy.


Betreuer

Die Vorlesung wird von Jan Peters gehalten und zusaetzlich von Roberto Calandra betreut.

Professor Jan Peters baut seit dem 1. July 2011 am Fachbereich Informatik der TU Darmstadt das neue Fachgebiet Intelligente Autonome Systeme auf. Einer seiner wichtigsten Forschungsschwerpunkte ist die Entwicklung von neuen Methoden zum maschinellen Lernen in Autonomen Technischen Systemen und Robotern. Fuer Rueckfragen auf Deutsch oder Englisch steht Jan Peters unter mail@jan-peters.net zur Verfuegung. Fuer einen persoenlichen Kontakt ist Jan Peters im Robert-Piloty Gebaeude S2|02 im Raum E314 zu finden.

Roberto Calandra ist seit Februar 2012 PhD Student am IAS. Fuer Rueckfragen auf Englisch steht Roberto Calandra unter calandra@ias.tu-darmstadt.de zur Verfuegung. Fuer einen persoenlichen Kontakt ist Roberto Calandra im Robert-Piloty Gebaeude S2|02 im Raum E323 zu finden.

Wir freuen uns ueber Rueckfragen. Bei Unklarheiten melden Sie sich bitte sofort!

  

zum Seitenanfang