====== Introduction to Machine Learning ======


**Vorlesung:** Introduction to Machine Learning, WS 2006/2007 \\
**Prüfer:** Gabriella Kókai

Januar 2008

Bemerkungen zu Prüfung und Prüfer: \\
  * Benotete Scheinprüfung
  * Lockere Atmosphäre, freundliche Prüferin

===== Fragen =====
  * Wie unterscheidet sich Clustering von anderen Lernverfahren? \\
    * //unsupervised learning//, man hat kein Wissen über Zielkonzepte (Klassen), sondern sucht erst nach diesen.

  * Was wäre eine Anwendung für Clustering? \\
    * Ich hatte da ein recht schwaches Beispiel über medizinische Bilddaten, eventuell wäre folgendes besser: Herausfinden von Konsumentengruppen zu Werbezwecken.

  * Such dir einen Algorithmus zum Erklären aus!
    * //Genetic algorithms//: siehe Skript ;)

  * Wofür sind //genetic algorithms//?
    * Bilderkennung aus der Vorlesung, es ist egal wie das Ergebnis berechnet wird!

  * In welchen Fällen kann es Probleme bei //genetic algorithms// geben?
    * globales Maximum/Minimum, komplexe //domain theory// -> verhindert sinvolles //crossing//, //mutation//

  * Wie kann man Lernverfahren einteilen?
    * knowledge poor; inductives/analytisches Lernen

  * Erklären von induktivem und deduktivem Lernen
    * induktiv: von einem Beispiel auf das Allgemeine schliessen
    * deduktiv: Ableitung einer Hypothese von der //domain theory// durch Logik

  * Andere //evolutionary learning// Verfahren \\
    * //genetic programming//: Programm als Baum darstellen + //mutation// + //crossover// \\
    * Bemerkung von ihr: Probleme bei Zyklen...

  * Was ist //inductive logic programming//? \\
    * Kommt von induktivem Lernen und Logikprogrammierung; Hypothese + Beispiele + //domain theory// in logischen Formeln, versucht neue logische Regeln zu lernen.

  * Unterschied //top-down//, //bottom-up// //inductive logic programming// \\
    * Spezifizieren einer allgemeinen Regel und Generalisieren aus einem Beispiel.

  * Erkläre //foil//:\\
    * innere + äußere Schleife: \\
      * außen: Generalisieren, durch jede neue Regeln werden positive Beispiele entfernt bis alle abgedeckt sind. \\
      * innen: Solange negative Beispiele vorhanden sind, die mit der Regel übereinstimmen, wird ein neues Literal zur Hypothese hinzugefügt, Literal wird durch //foilgain// bestimmt.

  * Was sind neuronale Netze? Erklären!
    * Idee kommt vom Gehirn; Versuch durch Hintereinanderschalten kleiner Lerneinheiten, die nur Eingabewerte + Gewicht und einen Threshold besitzen, komplexe Funktionen zu lernen.

  * Was wäre ein Anwendungsgebiet? \\
    * Erkennen, in welche Richtung jemand auf dem Foto sieht (Beispiel aus den Folien)