piwik-script

Deutsch Intern
    Data Science Chair

    Seminar: Ausgewählte Themen des Machine Learning

    Veranstalter: Prof. Dr. Andreas Hotho, Alexander Dallmann, Elisabeth Fischer, Daniel Zoller

    Bei Fragen oder zur Reservierung eines Themas/Platzes nutzen Sie bitte die Adresse  lsx-seminar@informatik.uni-wuerzburg.de

    WueCampus-Kurs: (Zugang wird nach der Vorbesprechung individuell freigeschaltet)

    BibSonomy Gruppe: uw_ws19_ml

    Vorbesprechung: 16.10.19 um 14:30 Uhr, ÜR 2

    Erste Abgabe:       27.11.19 um 12:00 Uhr
    Review Abgabe:   04.12.19 um 12:00 Uhr
    Finale Abgabe:     17.01.20 um 12:00 Uhr

    Zusammenfassung jeweils eine Woche vor dem Vortrag abgeben!
    Vorträge:               18./19.12.19 und 15.01.20 

    Themenvergabe und Vorbesprechung

    Themen können schon vor dem Vorbesprechungstermin reserviert werden. Die Themen werden einige Zeit vor der Vorbesprechung hier auf dieser Seite bekannt gegeben.

    Bei der Vorbesprechung werden die Themen - so nicht schon vergeben - an die anwesenden Seminarteilnehmer verteilt. Grundsätzlich besteht Anwesenheitspflicht. Teilnehmer, die bereits ein Thema bearbeiten, aber ohne Absprache fehlen, verlieren den Anspruch auf ihr Thema/ihren Platz

    Konzept und Ablauf des Seminars

    Im Zentrum dieses Seminars steht ein wissenschaftlicher Artikel und ein darin verwendetes Konzept. Ein Beispiel wäre das Paper 

    MixedTrails: Bayesian hypothesis comparison on heterogeneous sequential data von Martin Becker, Florian Lemmerich, Philipp Singer, Markus Strohmaier, Andreas Hotho

    In dem folgendes Konzept eine zentrale Rolle spielt:  Bayes Factor 

    Im Rahmen des Seminars soll nun das Konzept aufgearbeitet und verwandte Literatur gesucht werden. Das Ziel ist es, in Ausarbeitung und dem Vortrag des Seminars das gegebene Konzept unter Verwendung entsprechender Referenzen verständlich einzuführen und zu erklären und die Methode des wissenschaftlichen Artikels vorzustellen. Außerdem sollen eine Erweiterung der Methode oder die Übertragung auf eine andere Domäne aus anderen Artikeln beleuchtet werden.

    Der Ablauf des Seminar ist wie folgt:

    • Zuerst wird die Ausarbeitung angefertigt. 
    • Dann wird die Arbeit abgegeben und begutachtet. Diese Begutachtung erfolgt durch den Betreuer und anonym durch zwei andere Seminarteilnehmer. Das heisst, jeder Seminarteilnehmer, muss je zwei Beurteilungen für andere Seminarteilnehmer anfertigen. Die Begutachtungen gehen zurück an den Autor, der dann die Möglichkeit hat, seine Ausarbeitung zu überarbeiten.  
    • Dann wird zeitgleich der Vortrag (20 Minuten Vortrag, 5 Minuten Fragen) und eine einseitige Zusammenfassung vorbereitet.
    • Der Vortrag wird dann in Blockveranstaltungen gehalten. Bei den Blockveranstaltungen besteht Anwesenheitspflicht. 

    Themen

    Die Grundlage zu den Vorträgen bilden wissenschaftliche Aufsätze (Papers). Jedes hier aufgeführte Paper entspricht einem Thema.

    • themenrelevante Paper sind mit dem Tag thema versehen
    • die einzelnen Themen werden anhand der Tags thema:x, thema:y, etc. unterschieden
    • Ziel des Seminars ist es NICHT den Inhalt des Papers zusammenzufassen, sondern das Thema, das durch das Tag thema:x gegeben ist, aufzuarbeiten.
    • die Tags findet man auf BibSonomy in der entsprechenden Gruppe (siehe oben)

    Alle Themen für dieses Semester sind bereits vergeben. Falls Themen wieder frei werden, werden diese dann bei der Erstbesprechung am 16.10.19 an anwesende Studenten verteilt. Wer möchte kann sich dafür auch auf eine Warteliste eintragen lassen (Anwesenheit trotzdem erforderlich). 

    Bereits reservierte Themen

    • Han, X., Liu, Z., Sun, M.: Neural Knowledge Acquisition via Mutual Attention Between Knowledge Graph and Text. In: McIlraith, S.A. and Weinberger, K.Q. (eds.) AAAI. pp. 4832-4839. AAAI Press (2018).
       
    • Chen, C., Zhang, M., Liu, Y., Ma, S.: Neural Attentional Rating Regression with Review-level Explanations. In: Champin, P.-A., Gandon, F.L., Lalmas, M., and Ipeirotis, P.G. (eds.) WWW. pp. 1583-1592. ACM (2018).
       
    • Catherine, R., Cohen, W.W.: TransNets: Learning to Transform for Recommendation. In: Cremonesi, P., Ricci, F., Berkovsky, S., and Tuzhilin, A. (eds.) RecSys. pp. 288-296. ACM (2017).
       
    • Dong, X., Yu, L., Wu, Z., Sun, Y., Yuan, L., Zhang, F.: A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems. In: Singh, S.P. and Markovitch, S. (eds.) AAAI. pp. 1309-1315. AAAI Press (2017).
       
    • Li, X., She, J.: Collaborative Variational Autoencoder for Recommender Systems. KDD. pp. 305-314. ACM (2017).
       
    • Veličković, P., Cucurull, G., Casanova, A., Romero, A., Liò, P., Bengio, Y.: Graph Attention Networks. ICLR 2018 (2017).
       
    • Mnih, V., Badia, A.P., Mirza, M., Graves, A., Lillicrap, T.P., Harley, T., Silver, D., Kavukcuoglu, K.: Asynchronous Methods for Deep Reinforcement Learning, http://arxiv.org/abs/1602.01783, (2016).
       
    • van Hasselt, H., Guez, A., Silver, D.: Deep Reinforcement Learning with Double Q-learning, http://arxiv.org/abs/1509.06461, (2015).
       
    • Han, S., Mao, H., Dally, W.J.: Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding. (2015).
       
    • Vinyals, O., Fortunato, M., Jaitly, N.: Pointer Networks. NIPS. pp. 2692-2700 (2015).
       
    • Perozzi, B., Al-Rfou, R., Skiena, S.: DeepWalk: Online Learning of Social Representations. CoRR. abs/1403.6652, (2014).
       
    • Sutton, R.S., McAllester, D., Singh, S., Mansour, Y.: Policy Gradient Methods for Reinforcement Learning with Function Approximation. Proceedings of the 12th International Conference on Neural Information Processing Systems. p. 1057--1063. MIT Press, Denver, CO (1999).
       

    Leistungsnachweis

    Zum Ablauf der oben angegebenen Bearbeitungsfristen sind jeweils per Email als PDF dem Betreuer abzugeben:

    • eine genau 6-seitige LaTeX-Ausarbeitung im hier beschriebenen Format (doppelspaltig, inklusive Bibliographie) 
      • eine erste Version zur Begutachtung
      • die finale Version 
    • die zwei Begutachtungen anderer Arbeiten
    • eine einseitige Zusammenfassung 
    • der Foliensatz

    Vorherige Absprachen mit dem Betreuer sind ausdrücklich erwünscht. Alle verwendeten Referenzen sind zusätzlich zum Literaturverzeichnis der Ausarbeitung in http://www.bibsonomy.org in der entsprechenden Gruppe (relevant for) mit den Tags des jeweiligen Themas und weiteren sinnvollen Tags zu versehen.

    Die Vortragsdauer beträgt verbindlich 20 Minuten, nach dem Vortrag besteht Gelegenheit zur Diskussion (ca. 5 Minuten). Der Vortrag (inkl. Folien und Abstract) geht mit 30% in die Endnote ein, die Ausarbeitung ebenfalls mit 30%. Die angefertigeten Reviews gehen 20% in die Note ein. Die letzten 20% bewerten die Eigenständigkeit der Ausarbeitung, Einhaltung von Terminen, Beteiligung am Seminar etc.

    Bearbeitungshinweise

    Als Richtlinie für die Erstellung einer guten Seminararbeit (inkl. Vortrag und Ausarbeitung) wird das Buch

    Markus Deininger and Horst Lichter and Jochen Ludewig and Kurt Schneider. Studien-Arbeiten: ein Leitfaden zur Vorbereitung, Durchführung und Betreuung von Studien-, Diplom- Abschluss- und Doktorarbeiten am Beispiel Informatik. 5. Auflage. vdf Hochschulverlag, Zürich, 2005. 

    empfohlen, welches beim Betreuer des Seminars (Prof. Dr. Andreas Hotho) ausliegt. Wir empfehlen die Anschaffung dieses Buchs (9,50 €), da es Sie bis zur Masterarbeit (und weiter) begleiten kann. Die Benotung der Seminararbeit erfolgt in Anlehnung an das dort auf Seite 77 angegebene Schema, angepasst auf die Erfordernisse einer Seminararbeit.