In diesem Proseminar werden wir uns mit einer Reihe von Unsupervised-Learning-Algorithmen beschäftigen.

Im Folgenden ist eine Auflistung der möglichen Themen gruppiert nach Anwendungsgebieten:

Clustering

• k-means
• mixture model
• Density-based spatial clustering of applications with noise (DBSCAN)
• Hierarchical clustering

Latent variable models

• Principal component analysis (PCA)
• Expectation–maximization algorithm (EM)
• Isomap
• Locally-linear embedding (LLE)
• Unsupervised Kernel Regression (UKR)
• Unsupervised Nearest Neighbors (UNN)

Anomaly Detection

• Local outlier factor (LOF)
• Isolation forest

Neural Networks

• Self-organizing maps (SOM)
• Neural Gas (NG)
• deep belief network (DBN)
• Autoencoders (AE)
• Generative adversarial networks (GAN)

Ablauf der Veranstaltung:

• Zu Beginn (die ersten 2-3 Termine) gibt es eine kurze thematische sowie eine etwas ausführlichere organisatorische Einführung (Hinweise zum wissenschaftlichen Schreiben und Präsentieren usw.)
• Außerdem werden die Themen zu Beginn (1. oder 2. Termin) verteilt
• Nach einem Bearbeitungszeitraum, beginnen in der zweiten Hälfte des Semesters dann wöchentliche Vorträge