PJ Smart Filtering Systems 2
| Modul: | Interagierende Systeme (MINF-IS-IAS) |
| Semester: | Sommersemester 2010 |
| Art: | PJ (4 SWS / 6 LP) |
| LV-Nr.: | 0435 L 737 |
| Veranstalter: | Christian Scheel |
| Ort und Zeit: | TEL 1405, Di. 14 - 16, ab 20.04 |
---
Diese Veranstaltung wird online mit ISIS durchgeführt Bitte melden Sie sich dort an!
---
Ihre Anmeldung ist zunächst unverbindlich.
Infos zur Anmeldung, zum Einloggen finden sich hier.
Beschreibung
In diesem Projekt, was an das Projekt Smart Filtering Systems 1 anschließt wird in diesem Semster letztmalig angeboten. Im Projekt Smart Filtering Systems 1 wurde eine Learning to Rank Architektur erschaffen, die in Smart Filtering Systems 2 erweitert und evaluiert wird.
Ein Ziel ist es, eine Bibliothek zu erstellen, die einfach eingebunden werden kann und es jedem ermöglicht Lucene mit Learning to Rank zu erweitern.
Aufbauend auf den Ergebnissen vom Projekt Smart Filtering Systems 1 wird eine Client-Server-Architektur entwickelt, die Learning to Rank Ansätze unter verschiedenenen Gesichtspunkten evaluieren kann. Der Server bietet verschiedene Spiele an, die ein Client per Learning to Rank lösen muss. Durch Variation der Parameter erfasst der Server dabei Stärken und Schwächen der Ansätze.
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
- Besuch des Projektes Smart Filtering Systems 1
- Abgeschlossenes Vordiplom in Informatik oder einer verwandten Studienrichtung
- Hilfreich sind Kenntnisse aus den Vorlesungen Grundlagen der Künstlichen Intelligenz und Maschinelles Lernen
- Grundlegendes Verständnis der Objektorientierten Programmierung und Java-Kenntnisse
Prüfungsmodalitäten, Anforderungen
Zum Ende des Semesters wird in einem Abschlussgespräch insbesondere der individuelle Arbeitsbeitrag überprüft. Das Ergebnis des Gesprächs geht direkt in alle Teilnoten ein.
Die Gesamtnote setzt sich folgendermaßen zusammen:
- Projektergebnisse (50%)
- Dokumentation (30%)
- Rücksprache (20%)
Dieses Projekt gehört nicht zum Modul Semantic Search. Das Projekt vom Modul Semantic Search wird im Sommersemester angeboten!
Material
- www.dcs.gla.ac.uk/Keith/Preface.html - Online-Buch über Informationsgewinnung,
- ranger.uta.edu/~alp/cse6331/ - Folien für das Buch [1]
- people.revoledu.com/kardi/tutorial/ - Exzellente Sammlung von Anleitungen über Verfahren des Maschinellen Lernens.
- www.paulperry.net/notes/cf.asp - Die Sammlung von Papieren über Collaborative Filtering.
http://darksleep.com/lucene/ - Anleitung für Lucene, dem von uns eingesetzten Indexer
http://www.cs.waikato.ac.nz/ml/weka/ - Sammlung von Implementationen von Verfahren des Maschinellen Lehrnens
http://math.nist.gov/javanumerics/jama/ - java Bibliothek für SVD
http://en.wikipedia.org/wiki/WordNet - Semantisches Wörterbuch
Ansprechpartner
Copyright TU Berlin 2007