Human-Learner-Interaction

Termine

TagZeitRhythmusZeitraumRaumLehrpersonBemerkungMax. Teilnehmer/-innen
Vorlesung (V) - Termine:
Do. 11:00 bis 13:00 c.t. wöchentlich G22A-209 (40 Pl.) Krempl Lehrpreisträger/-in  
Seminar/Übung (S/Ü) - Termine:
Do.13:00 bis 15:00 s.t.wöchentlichG22A-209 (40 Pl.) Krempl Lehrpreisträger/-in  

Übersicht (from LSF)

Lerninhalte

Lernziele & erworbene Kompetenzen:

  • Erwerb von fortgeschrittenen Kenntnissen im Gebiet interaktiver Systeme und Empfehlungssysteme

  • Erwerb praktischer Erfahrung mittels Durchführung eines Projektes

Die Studierenden wenden im Rahmen eines praxisnahen Projektes Kenntnisse aus dem Gebiet des Data Minings und maschinellen Lernens auf Problemstellungen des Lernens in interaktiven Umgebungen an, zum Beispiel mit Recommendation Engines.

Dabei verbessern sie ihre Fähigkeiten zur Projektarbeit, Meilensteinorientierung, Teamarbeit, Führung und Verantwortung, Delegation und Arbeitsteilung.

Kurzkommentar

Im Rahmen dieser Kombinationsveranstaltung (Vorlesung, Seminar, Projekt) wenden Studierende im Rahmen eines praxisnahen Projektes Kenntnisse aus dem Gebiet des Data Minings und maschinellen Lernens auf Problemstellungen des Lernens in interaktiven Umgebungen an, zum Beispiel mit aktiven Klassifikatoren oder Recommendation Engines.

Erste Einheit: 7.4.2016

Einschreibung mittels Belegfunktion beim begleitenden Seminar/Übung im LSF / Mandatory course registration: see "enrollment/Belegfunktion" for the accompanying Seminar/Exercise in LSF  (Platzvergabe erfolgt in den ersten zwei LV-Wochen).

Bei Fragen kontaktieren Sie bitte Georg Krempl

Note: If necessary, the course will be teached in English.

Literatur

Ausgewählte projektbezogene Themen, unter anderem aus:

Active Learning:

Burr Settles. Active Learning. Morgan and Claypool Publishers, 2012.

Semi-Supervised Learning:

Steve Abney. Semisupervised Learning for Computational Linguistics. Chapman & Hall/CRC Computer Science & Data Analysis Series, 2007.

Reinforcement Learning

Richard S. Sutton and Andrew G. Barto. Reinforcement Learning: An Introduction. MIT Press, 1998.

Recommender Systems:

Francesco Ricci, Lior Rokach, Bracha Shapira, and Paul B. Kantor (Hrg.). Recommender Systems Handbook. Springer 2010.

Voraussetzungen

Hintergrundwissen in Data Mining oder maschinellem Lernen wird empfohlen.

Einschreibung mittels Belegfunktion beim begleitenden Seminar/Übung im LSF / Mandatory course registration: see "enrollment/Belegfunktion" for the accompanying Seminar/Exercise in LSF.

Zielgruppe
  • B-CV: WPF FIN-SMK

  • B-CV: WPF INF

  • B-INF: WPF FIN-SMK

  • B-INF: WPF INF

  • B-INGINF: WPF FIN-SMK

  • B-INGINF: WPF INF

  • B-WIF: WPF FIN-SMK

  • B-WIF: WPF INF

  • M-DKE: WPF Methods 1 / Fundamentals

  • M-DigiEng: WPF Human Factors

Course Material

  • Project Topics and General Guidelines
  • Introduction to Statistical Classification
  • Active Learning Lecture
  • Introduction to the AL MOA Framework
  • Scientific Paper Writing
  • Introduction to Octave/MATLAB Programming
  • Clustering Based Probabilistic Active Learning for Evoling Datastreams. Ha, Otto-von-Guericke University 2015.
  • Paper: Probabilistic Active Learning: Towards Combining Versatility, Optimality and Efficiency. Krempl, Kottke, Spiliopoulou. Proc. of the 17th Int. Conf. on Discovery Science, Bled, Slovenia, 2014.
  • Paper: Optimised Probabilistic Active Learning. Krempl, Kottke, Lemaire. Machine Learning, 2015.

 

Last Modification: 17.10.2017 - Contact Person: