Seminar
Machine Learning and Data Mining in Practice
Wintersemester 2004/05

The focus of the seminar is to discuss state-of-art approaches in the areas of symbolic learning, meta-learning and statistical learning in the context of applications such as data-mining and decision support. An important aspect of the seminar is to compare and discuss various approaches currently used and employed in machine learning.

• Dozenten: Johannes Fürnkranz (JF), Thomas Hofmann (TH) Bernt Schiele (BS)
• Assistent: Mario Fritz (MF)
• Termin:
  Wochentag: Mittwochs
  Zeit: 14:25-16:05
  Raum: S202/A126
• Vorbesprechung: 20.10.2004
• Voraussetzungen: Machine Learning Hintergrund & Interesse
• Sprache: deutsch
• Bewertung:
  In die Bewertung fließen Verständnis, Präsentation, Folien und Beantwortung von Fragen ein.
• Abgabe:
  • Folien als pdf und - falls verwendet - zusätzlich das PowerPoint-file
  • alle zusätzlichen Quellen, die in den Folien referenziert wurden
  Wir weisen hiermit darauf hin, dass keine separate Ausarbeitung verlangt wird.
• Vorbereitung:
  Bei der Vorbereitung des Inhalts und der Folien werden die Seminarteilnehmer durch die Dozenten bzw. den Assistenten unterstützt. Es wird aber im beidseitigen Interesse darum gebeten rechtzeitig (mindestens 1 Woche Vorlauf) Termine zu vereinbaren.
• Anmeldung:
  Die Anmeldung ist ab sofort per mail an den Assistenten möglich.
  Für eine erfolgreiche Anmeldung sind die Angabe von:
  • Name
  • Matrikelnummer
  • mindestens 3 Präferenzen für die zu bearbeitende Veröffentlichung aus der unten angeführten Liste
  erforderlich. Die endgültige Vergabe der Themen erfolgt bei der Vorbesprechung am 20.10.2004.

Für das Seminar ist eine mailing list eingerichtet worden:
mlp-seminar aATt mis o informatik o tu-darmstadt o de

Über diese mailing list werden die Teilnehmer über Änderungen von Ort und Zeit des Seminars informiert. Außerdem bietet diese Liste eine zusätzliche Möglichkeit zur Diskussion und Verbreitung seminarrelevanter Informationen. Da diese Liste moderiert ist, können nur Teilnehmer Nachrichten senden. Deshalb bitten wir die Teilnehmer sich unter

http://mail.rbg.informatik.tu-darmstadt.de/mailman21/listinfo/mlp-seminar

in die mailing list einzutragen.

Die Länge des Vortrags ist 30 Minuten plus 15 Minuten Fragen. Auf die Einhaltung der Vortragslänge ist zu achten.

• Journal on Machine Learning Research Vol. 3, feb 2003, MIT Press
  Special Issue: Machine Learning Methods for Text and Images

  • Matching Words and Pictures (TH)
  • A Neural Probablistic Language Model (TH)

  ---

• Journal on Machine Learning Research Vol. 4, dec 2003, MIT Press
  Special Issue: Independant Component Analysis

  • ICA for Watermarking Digital Images (TH)

  ---

• Journal on Machine Learning Research Vol. 4, dec 2003, MIT Press
  Special Issue: Fusion of Domain Knowledge with Data for Decision Support

  • Combining Knowledge from Different Sources in Causal Probabilistic Models (BS)
  • Preference Elicitation via Theory Refinement (JF)
  • Fusion of Domain Knowledge with Data for Structural Learning in Object Oriented Domains (BS)
  • An Empirical Study of the Use of Relevance Information in Inductive Logic Programming (JF)

  ---

• Machine Learning Vol. 54 III, mar 2004, Kluwer
  Special Issue: Meta Learning

  • A Meta-Learning Method to Select the Kernel Width in Support Vector Regression (BS)
  • Is Combining Classifiers with Stacking Better than Selecting the Best One? (BS)
  • On Data and Algorithms: Understanding Inductive Performance (JF)

  ---

• Data Mining and Knowledge Discovery 2004, Kluwer

  • Mining GPS Traces for Map Refinement (BS)
  • Enhancing Product Recommender Systems on Sparse Binary Data (JF)

  ---

• Machine Learning Vol. 57 I, oct/nov 2004, Kluwer

  • Mining Skewed and Sparse Transaction Data for Personlized Shopping Recommendation (JF)
  • Multi-Relational Learning, Text Mining, and Semi-Supervised Learning for Functional Genomics (JF)
  • Decision Support Through Subgroup Discovery: Three Case Studies and the Lessons Learned (JF)
  • Learning to Decode Cognitive States from Brain Images (BS)
  • A Bias-Variance Analysis of a Real-World Learning Problem: The CoIL Challange 2000 (BS)

  ---

• Domain-Specific Spidering

  • Automating the Construction of Internet Portals with Machine Learning (JF)