Smart Filtering Systems 1
| Modul: | Interagierende Systeme (MINF-IS-IAS.W07) |
| Semester: | Wintersemester 2008/2009 |
| Art: | PJ (6 SWS / 6 LP) |
| LV-Nr.: | 0435 L 745 |
| Veranstalter: | Albayrak, Scheel |
| Zeit: | Mittwoch, 12-14 Uhr, ab 22.10 |
| Raum: | TEL 1315 |
Zu dieser Lehrveranstaltung anmelden!
Beschreibung
Das Projekt adressiert die Frage, wie man innerhalb der Informationsgewinnung Methoden des Maschinellen Lernens und der Künstlichen Intelligenz einsetzen kann, um einen Qualitätsgewinn der Resultate zu erreichen. Gelernt wird die optimale Aggregation von verschiedenen Meinungen über die Qualität von einzelnen Resultaten.
Die Studenten werden jeweils eine solche Aggregationsstrategie entwickeln und diese mit gängigen Performanz-Kriterien gegen gegebenes Benutzer-Feedback evaluieren.
Das Gebiet des ‚Learning to Rank’ ist ein aktives Forschungsfeld und ist für alle Studierenden informationsverarbeitender Studiengänge mit Interesse/Schwerpunkt in Künstlicher Intelligenz relevant.
Bei der Implementierung kann auf die breite Auswahl von Basis-Implementationen des DAI-Labor zurückgegriffen werden.
Veranstaltungskalender
| Datum | Thema |
| 22.10. | Einführung und Überblick |
| 29.10. | Einführung in das Information Retrieval |
| 05.11. | Seminarvorträge: SVM, Rank-SVM, Rank-Net |
| 12.11. | Seminarvorträge: Boosting, Rank-Boost, AdaRank |
| 19.11. | Implementierung der Filterungsverfahren: Einführung und Hilfestellung |
| 26.11. | Rückfragen, Hilfen |
| 03.12. | Rückfragen, Hilfen |
| 10.12. | Meilenstein 1: Implementierung eines primitiven Filterungsverfahrens |
| 17.12. | Rückfragen, Hilfen |
| 08.01. | Rückfragen, Hilfen |
| 15.01. | Rückfragen, Hilfen |
| 22.01. | Rückfragen, Hilfen |
| 29.01. | Rückfragen, Hilfen |
| 05.02. | Rückfragen, Hilfen |
| 12.02. | Meilenstein 2: Vorstellung der implementierten komplexen Filterungsverfahren (RankBoost, RankSVM, etc.) |
Lernziele
Dieses Projekt behandelt aktuelle Themen aus dem Gebiet der Informationsfilterung: Neuronale Netze, Entscheidungsbäume, Indexierungsverfahren, Data Mining, Bayes’sche Inferenz sowie intelligente Kombination der verschiedenen Filterungsverfahren und Merkmalsextraktion. Die Teilnahme am Projekt bietet den Studierenden die Möglichkeit, durch die Umsetzung der Filterungsverfahren innerhalb eines klar umgrenzten Themas die Methodik des wissenschaftlichen Arbeitens kennen zu lernen. Dazu gehören Literaturrecherche, wissenschaftlicher Vortrag, Präsentationserstellung und Umsetzung von Filterungsverfahren. Zu Beginn des Projekts wird eine Einführung in das wissenschaftliche Arbeiten im Rahmen eines Vortrags gegeben.
Voraussetzungen
- Hilfreich sind Kenntnisse aus den Vorlesungen Grundlagen der Künstlichen Intelligenz und Maschinelles Lernen
- Grundlegendes Verständnis der Objektorientierten Programmierung und Java-Kenntnisse
Prüfungsmodalitäten, Anforderungen
Für Diplomstudierende kann diese Lehrveranstaltung in eine Prüfung in den Bereichen KI, BKS und WVA eingebracht werden.
Die Inhalte der Veranstaltung werden im Rahmen einer mündlichen Rücksprache überprüft.
Anstelle eines Skripts werden kommentierte Folien unterichtsbegleitend bereitgestellt.
Technische Informatik MSc ( 7. - 10. Semester ) - Wahlpflichtfach
Informatik D ( 5. - 12. Semester ) - Wahlpflichtfach
Informatik MSc ( 7. - 10. Semester ) - Wahlpflichtfach
Ansprechpartner
Copyright TU Berlin 2007