Seminar Machine Learning

Beschreibung / Ablauf:

Das Seminar findet bei entsprechender Teilnehmeranzahl als Konferenz-Seminar statt, d.h.,

Die Teilnehmer können sich ein Thema aus dem Bereich Machine Learning / Organic Computing aus einer Vorschlagsliste auswählen oder selbst ein passendes Thema vorschlagen.
Eine erste Version des Papers muss bis zu einem Termin, in der Mitte des Semesters, eingereicht werden.
Das eingereichte Paper wird in einem Peer Review von den Seminarteilnehmern begutachtet. Die Teilnehmer haben anschließend die Möglichkeit, ihre Paper zu überarbeiten um eine finale Version (camera ready) abzugeben.
Die Ergebnisse bzw. Themen der ausgearbeiteten Paper werden am Ende des Semesters von den Teilnehmern, im Rahmen einer kleinen "Konferenz", präsentiert. Die Vorträge sollten maximal 25 min. dauern, woran sich eine kurze Fragerunde (ca. 5 min.) anschließt.
Damit die Paper ein einheitliches Aussehen erhalten, soll sich an dem bekannten LNCS Stil orientiert werden. Die Benutzung von Latex wird empfohlen und unterstützt. Eine Vorlage für Microsoft Word ist ebenfalls vorhanden.
Der Fokus des Seminars liegt auf Studierende im Master und der selbständigen Ausarbeitung eines aktuellen Forschungsthemas. Bei Studierenden im Bachelor ist die Ausrichtung mehr auf die wissenschaftliche Ausarbeitung als solche gerichtet (Struktur, Inhalt).

Vorteile der Seminar-Organisation:

Themenauswahl ist im Rahmen des ausgeschriebenen Themengebietes frei (Zudem wird eine Auswahl an einzelnen Themen angeboten).
Teilnehmer erhalten einen Einblick in die Abläufe auf akademischen Konferenzen.
Gute Vorbereitung auf anstehende Abschlussarbeiten, insbesondere wenn noch keine Vorkenntnisse in Latex oder im wissenschaftlichen Schreiben vorliegen.
Geführte Herangehensweise an die einzelnen Etappen einer wissenschaftlichen Ausarbeitung.

Themenwahl:

Die Themen der Seminararbeiten sollen aus dem Bereich "Machine Learning" oder "Organic Computing" stammen.

Bachelor-Teilnehmer: Der Schwerpunkt des Seminars liegt auf der Vermittlung von Grundlagen des wissenschaftlichen Arbeitens anhand einfacher Themen aus dem jeweiligen Bereich (z.B. Kapitel aus einem Lehrbuch).

Beispielthemen:

Support Vector Machines
Clustering
Reinforcement Learning
Ameisenalgorithmen
Entscheidungsbäume
Partikelschwarm
Künstliche Immunsysteme
... [eigene Vorschläge]

Master-Teilnehmer: Der Schwerpunkt des Seminar liegt auf forschungsorientiertem Arbeiten auf Basis von aktuellen Forschungsthemen aus dem jeweiligen Bereich.

Beispielthemen:

Active Learning
Emergenz
Relevance Vector Machines
Deep Learning
SVM
Dirichlet Process Mixture Models
Nonparametric Bayesian
... [eigene Vorschläge]