🚀 go-pugleaf

Hello,

I would like to announce the following seminar for the forthcoming
summer semester:

   "Theorie des Maschinellen Lernens"
   
   time:       every thursday 4 p.m. - 6 p.m.
   place:      E-N 189 (Einsteinufer 17)  (room 189)
   start:      22/04/99
   organizers: Ralf Herbrich (ralfh@cs.tu-berlin.de)
         Thore Graepel (graepel2@cs.tu-berlin.de)

Overview:
=========
Maschinelles Lernen hat sich in den vergangenen Jahren zu einem
zentralen Gebiet der
K�nstlichen Intelligenz entwickelt. Neben einer Vielzahl mehr oder
minder effektiver
Lernalgorithmen wird seit den 60er Jahren an einer Theorie der
Generalisierung gearbeitet,
die den Begriff des Lernens formalisiert, Bedingungen von Lernbarkeit
zur Verf�gung stellt
und es erm�glicht, theoretisch fundierte Lernverfahren zu entwickeln.
Die Lerntheorie hat in
den 90er Jahren einen deutlichen Aufschwung erlebt, der nicht zuletzt
darauf zur�ckzuf�hren
ist, dass die heuristischen Verfahren, die bis dato etwa das Gebiet der
Neuronalen Netze
dominiert haben, an ihre Grenzen gestossen sind. Ein interessanter
Aspekt dieses
Forschungsgebietes ist seine Interdisziplinarit�t. W�hrend die Theorie
des Lernens von
mathematisch-statistischen Grundlagen gepr�gt ist, finden sich in diesem
Gebiet Forscher
aus so unterschiedlichen Fachrichtungen wie Physik, Mathematik,
Informatik und Statistik.
Ziel dieser Veranstaltung ist es, die Grundlagen der Lerntheorie
gemeinsam zu erarbeiten,
um eine Basis f�r zuk�nftige wissenschaftliche Arbeit auf diesem Gebiet
zu schaffen. Das
behandelte Material reicht daher von den Grundlagen aus den 60er Jahren
bis hin zu
aktuellen Arbeiten, die den Ausgangspunkt f�r eigene Forschung bilden
k�nnen. 



List of topics:
===============

     Statistische Grundlagen des Maschinellen Lernens; ERM Prinzip vs.
Dichtesch�tzung,
     Ill-posed Probleme und Maschinelles Lernen (Vapnik, 1998) 

     Notwendige und hinreichende Bedingungen der
     Lernbarkeit; VC-Entropy, annealed Entropy und Growth-Funktion;
Konvergenzraten
     f�r den Fall der Mustererkennung (Vapnik, 1998, Anthony, 1998) 

     SRM als zweites induktives Schlussprinzip; L�sung stochatischer
ill-possed
     Probleme; Vergleich mit dem Prinzip der MDL und Bayesianischen
Ans�tzen (Vapnik,
     1998, Shawe-Taylor, et. al. 1996) 

     Einbeziehung von Komplexit�tsbetrachtungen - PAC Lernen und
agnostisches PAC
     Lernen (Anthony, 1998) 

     Data-Dependent Structural Risk Minimization; fat-shattering
Dimension vs.
     VC-Dimension; Large margin Klassifikatoren und
Funktionsinterpolation
     (Shawe-Taylor, 1996) 

     Schranken der Growth-Funktion f�r lineare Modelle; Zusammenhang
zwischen
     Entropy-Zahlen und Lernbarkeit (Smola et. al. 1998) 

     ERA als Lernmodell des un�berwachten Lernens; alternative
Komplexit�tsmasse (free
     energy und annealing Temparatur) (Buhmann, 1998) 

     Support Vector Lernen zur Klassifikation und Regression,
Zusammenhang zwischen
     Perzeptronlernen, MLP-Lernen und Support-Vektor Lernen, Anwendung
des Kernel
     Tricks; Zusammenhang zwischen Kernels und
Regularisierungsoperatoren (Burges,
     1998) 

     Adaboost als Verfahren zur Verbesserung von schwachen Lernern;
Zusammenhang
     zu large margin Algorithmen (Bartlett, 1996,Raetsch, 1998) 

     Bayesianische Klassifikatoren als large margin Algorithmen,
Zusammenhang zwischen
     a-priori Verteilung der Parameter und Generalisierung des
Klassifikators (Cristianini,
     1998) 

     Regularized Principal Manifolds und Generative Topographic Mappings
als
     Clusteringmethoden (Smola et. al. 1998, Bishop et. al. 1998) 


For more information please have a look at
http://stat.cs.tu-berlin.de/lehre/seminar/
I am looking forward to see you next thursday!




Best regards

Ralf Herbrich

-- 
-------------------------------------------------------------------
 Ralf Herbrich         phone : +49-30-314-25817
 TU Berlin              email : ralfh@cs.tu-berlin.de
 FB 13; FR 6-9          URL   : http://stat.cs.tu-berlin.de/~ralfh
 10587 Berlin                    
 Germany

   [teaching assistant in the statistics group at the TU Berlin]
------------------------------------------------------------------