Joachim M. Buhmann: Katalogdaten im Frühjahrssemester 2009

Name	Herr Prof. Dr. Joachim M. Buhmann
Lehrgebiet	Informatik (Information Science and Engineering)
Adresse	Institut für Maschinelles Lernen ETH Zürich, OAT Y 13.2 Andreasstrasse 5 8092 Zürich SWITZERLAND
Telefon	+41 44 632 31 24
Fax	+41 44 632 15 62
E-Mail	jbuhmann@inf.ethz.ch
URL	http://www.ml.inf.ethz.ch/
Departement	Informatik
Beziehung	Ordentlicher Professor

Nummer	Titel	ECTS	Umfang	Dozierende
251-0526-00L	Statistical Learning Theory	5 KP	2V + 1U	J. M. Buhmann
Kurzbeschreibung	Die Vorlesung präsentiert fortgeschrittene Methoden des statistischen Lernens: PAC Lernen und statistische Lerntheorie; Variationsmethoden und Optimierung, insb. Entropiemaximierung, der Informationsflaschenhals, deterministisches und simuliertes Abkühlen; Gruppierung von vektoriellen Daten, Histogrammdaten und Ähnlichkeitsdaten; Modellselektion; Graphische Modelle;
Lernziel	Die Studierenden erhalten Einblick in aktuelle Methoden des statistischen Lernens. Die Grundlagen des Maschinellen Lernens werden vertieft und insbesondere die Theorie des statistischen Lernens diskutiert.
Inhalt	# Boosting: A state-of-the-art classification approach that is sometimes used as an alternative to SVMs in non-linear classification. # Theory of estimators: How can we measure the quality of a statistical estimator? We already discussed bias and variance of estimators very briefly, but the interesting part is yet to come. # Statistical learning theory: How can we measure the quality of a classifier? Can we give any guarantees for the prediction error? # Variational methods and optimization: We consider optimization approaches for problems where the optimizer is a probability distribution. Concepts we will discuss in this context include: * Maximum Entropy * Information Bottleneck * Deterministic Annealing # Clustering: The problem of sorting data into groups without using training samples. This requires a definition of ``similarity'' between data points and adequate optimization procedures. # Model selection: We have already discussed how to fit a model to a data set in ML I, which usually involved adjusting model parameters for a given type of model. Model selection refers to the question of how complex the chosen model should be. As we already know, simple and complex models both have advantages and drawbacks alike. # Reinforcement learning: The problem of learning through interaction with an environment which changes. To achieve optimal behavior, we have to base decisions not only on the current state of the environment, but also on how we expect it to develop in the future.
Skript	kein Skript, Vorlesungsfolien werden bereitgestellt
Literatur	Duda, Hart, Stork: Pattern Classification, Wiley Interscience, 2000. Hastie, Tibshirani, Friedman: The Elements of Statistical Learning, Springer, 2001. L. Devroye, L. Gyorfi, and G. Lugosi: A probabilistic theory of pattern recognition. Springer, New York, 1996
Voraussetzungen / Besonderes	Voraussetzung: Statistik Grundkenntnisse, Interesse an statistischen Verfahren. Es ist empfehlenswert, zuerst Maschinen Lernen I zu hören und dann die Vorlesung ML II zu besuchen. Mit etwas Zusatzaufwand können Sie aber auch ML II alleine hören.
251-0838-00L	Informatik II (D-MAVT)	4 KP	2V + 1U	J. M. Buhmann, I. Sbalzarini
Kurzbeschreibung	Die Studenten erhalteneinen Überblick zur Rechnerorganisation am Beispiel der Assemblersprache MIPS. Weitere Themen aus der Theoretischen und Praktischen Informatik sind: Grundlegende algorithmische Prinzipien wie dynamische Programmierung, randomisierte und approximative Algorithmen, Informationstheorie, Computernetze und Datenbanken.
Lernziel	Überblick und Verständnis für grundlegende Prinzipien der heutigen Rechner.
Inhalt	1) Rechnerstrukturen (Operationsprinzip eines Rechners, Von-Neumann Rechner, einfacher Datenpfad) 2) Algorithmische Prinzipien: dynamische Programmierung (Dijkstra's Algorithmus, Bellman-Ford), randomisierte Algorithmen am Beispiel von randomisiertem Quicksort, Approximationsalgorithmen für Scheduling; 3) Entropie als Informationsmass; optimale Codierungslänge 4) kryptographische Protokolle 5) Einführung in Datenbanken
Literatur	Wird in der Vorlesung bekanntgegeben.
Voraussetzungen / Besonderes	Voraussetzung: Besuch von Informatik I
252-5251-00L	Computational Science	2 KP	2S	P. Arbenz, J. M. Buhmann, P. Koumoutsakos, I. Sbalzarini
Kurzbeschreibung	Seminarteilnehmer studieren grundlegende Papiere aus der Computational Science und halten in einem 40-min. Vortrag (auf Englisch). Der Vortrag (Struktur, Inhalt, Darstellung) ist mit dem verantw. Professor vorzubesprechen. Der Vortrag muss so gehalten werden, dass ihn die anderen Seminarteilnehmer verstehen und etwas lernen können. Teilnahme während des ganzen Semesters ist vorgeschrieben.
Lernziel	Studieren und präsentieren einer grundlegenden Arbeit aus dem Bereich der Computational Science. Lernen, über ein wissenschaftliches Thema vorzutragen.
Inhalt	Teilnehmer am Seminar studieren grundlegende Papiere aus dem Bereich Computational Science und tragen darüber (auf Englisch) in einem 40-minütigen Vortrag vor. Vor der Präsentation soll der Vortrag (bzgl. Struktur, Inhalt, Darstellung) mit dem verantwortlichen Professor besprochen werden. Der Vortrag muss in einer Weise gegeben werden, dass ihn die anderen Seminarteilnehmer verstehen können und etwas lernen können. Teilnahme während des ganzen Semesters ist vorgeschrieben.
Skript	keines
Literatur	Papiere werden in der ersten Semesterwoche verteilt.
551-1316-00L	CIMST Interdisciplinary Summer School on Bio-Medical Imaging	3 KP	6G	R. Kroschewski, S. M. Ametamey, Y. Barral, P. Bösiger, J. M. Buhmann, R. E. Carazo Salas, G. Csúcs, D. W. Gerlich, A. Helenius, F. Helmchen, J. A. Helmuth, T. Ishikawa, P. Koumoutsakos, S. Kozerke, P. Meraldi, M. Peter, M. Rudin, V. Sandoghdar, I. Sbalzarini, R. Schibli, B. Schuler, C. Schulze-Briese, M. Stampanoni, G. Székely, R. A. Wepf
Kurzbeschreibung	The school (24.9. - 04.9.2009) will discuss the recent progress and challenges in biological and medical imaging. Cutting edge techniques using a wide range of imaging mechanisms will be put in the context of selected biomedical problems. In particular, multimodal and multiscale imaging methods as well as supporting technologies such as computer aided image analysis and modeling will be discussed.
Lernziel	The students know about the possibilities and limitations of a wide range of modern imaging methods and can propose suitable methods for a given imaging problem.
Inhalt	Cutting edge techniques using a wide range of imaging mechanisms such as magnetic resonance, positron emission, infrared and optical microscopy, electron microscopy and x-ray imaging will be put in the context of selected biomedical problems. In particular, multimodal and multiscale imaging methods as well as supporting technologies such as computer aided imaging analysis and modeling will be discussed. On the first day, a basic introduction to the following topics will be provided: Sources, emitters, wavelength, imaging principles, resolution, adsorption, etc. The school aims to point out possibilities of the integration of different imaging methods.
Skript	None
Voraussetzungen / Besonderes	We plan to admit about 50 Master or PhD students with background in either biology, chemistry, mathematics, physics, computer science or engineering (internally and from abroad). The school will be taught in English. Admission will be given via a selection process based on the curriculum vitae and a statement of purpose. For details of the program and the application procedure please consult http://www.cimst.ethz.ch/education/summer_school/09/application The application deadline is 1st June 2009. A decision will be given by 16th June 2009.