Themen für EDV-Projekte Diplomarbeiten Dissertationen

Betreuer: Prof. Peter Auer

Für weitere Informationen wenden Sie sich bitte direkt an Prof. Auer, pauer@igi.tu-graz.ac.at.

Beschreibung aktueller Seminar/Projekte

Weitere Aufgabenstellungen

Aufgabenstellungen aus dem Maschinellen Lernen

Anwendungen im Maschinellen Sehen

Mit Hilfe von Techniken des Maschinellen Lernens soll das Erkennen von Objekten in Bildern und Videosequenzen unterstützt werden. Die Mitarbeit an einem EU-Projekt ist möglich.

Anwendungen in der Textkatekorisierung

Es sollen Verfahren zum automatischen Einordnen von Dokumenten in eine hierachische Struktur untersucht werden.

Neue statistische Tests zum Vergleich von Lernalgorithmen

Lernalgorithmen können mittels statistischer Test miteinander verglichen werden. Für einen solchen Vergleich werden bestimmte Kenngrößen berechnet, und die Wahl dieser Kenngrößen bestimmt die Mächtigkeit des statistischen Test. In einer praktischen Arbeit soll ein verbesserter statistischer Test mit den bisher verwendeten Tests verglichen werden.

Verbesserte Algorithmen zur Konstruktion von Decision Trees

Durch die Verwendung von statistischen Verfahren sollen verbesserte Lernalgorithmen für Entscheidungsbäume entwickelt werden: Mittels statistischer Tests kann entschieden werden, wann die Konstruktion eines Entscheidungsbaumes abgebrochen werden kann, weil keine Verbesserung der Vorhersagegenauigkeit mehr zu erwarten ist.

Kombination der Perceptron- und Winnow-Algorithmen

Der Perceptron-Algorithmus aus dem Jahr 1957 ist einer der ältesten Lernalgorithmen der künstlichen Intelligenz. Erst 1988 wurde der neue Winnow-Algorithmus entwickelt, der dieselben Lernprobleme löst, dabei aber ganz andere Eigenschaften als der Perceptron-Algorithmus aufweist. Insbesonders ist der Winnow-Algorithmus dem Perceptron-Algorithmus deutlich überlegen, wenn nur wenige der Inputs für die Lösung des Lernproblems relevant sind. Andererseits weist der Perceptron-Algorithmus Vorteile auf, wenn die meisten der Inputs relevant sind. Erst 1997 wurde versucht die beiden Algorithmen so zu kombinieren, daß in jeder Lernsituation nahezu optimale Ergebnisse erzielt werden können. Es sollen nun alternative Kombinationsverfahren experimentell und/oder theoretisch untersucht und den bekannten Ergebnissen gegenübergestellt werden.

Erprobung eines speziellen Verfahrens zum Trainieren von Neuronalen Netzen

Es soll ein Verfahren zum Trainieren von Neuronalen Netzen bestimmter Architektur mit den Standardverfahren verglichen werden.

Lernkomplexität von speziellen Konzeptklassen

Für Konzeptklassen mit einer speziellen Eigenschaft soll die theoretisch notwendige Anzahl von Trainingsbeispielen bestimmt werden. Dadurch ist eine fast vollständige Charakterisierung der Komplexität des Lernproblems solcher Konzeptklassen möglich.

Lernen von endlichen Automaten

Es soll ein Standardverfahren der kombinatorischen Optimierung (der A*-Algorithmus) mit einer geeigneten Bewertungsfunktion verwendet werden, um auch schwierige endliche Automaten mit wenigen Trainingsbeispielen erlernen zu können.

Lernen von Rechtecken

In einer Übersichtsarbeit sollen Ergebnisse über das Lernen von hochdimensionalen Rechtecken dargestellt werden. Diese bekannten Ergebnisse sollen dann um einige neue Resultate ergänzt werden. Dabei ergibt sich die Möglichkeit, anhand einer konkreten Konzeptklasse, eben der hochdimensionalen Rechtecke, die Problemstellungen aus der Lerntheorie der letzten Jahre zu beleuchten.

Lernen von niederdimensionalen Clustern

Diese Fragestellung ist eines der zentralen Probleme im "Data Mining". Dabei sollen aus einer großen Menge von Daten(punkten) typische Muster extrahiert werden. Allerdings werden im allgemeinen nicht alle Koordinaten der Datenpunkte an solchen typischen Mustern beteiligt sein, sondern nur ein paar ausgewählte. Und genau diese Auswahl der geeigneten Koordinaten ist das Hauptproblem bei dieser Aufgabenstellung.

Aufgabenstellungen aus der Wahrscheinlichkeitstheorie

Spacings of the empirical distribution

Die empirische Verteilung entsteht, wenn aus dem d-dimensionalen Einheitswürfel [0,1]d gleichverteilt n Punkte gezogen werden. Die Frage ist nun, wie groß die Abstände bzw. wie groß die leeren Bereiche (=Spacings) zwischen diesen Punkten sind. Wieder können durch geschickte Anwendung bekannter Resultate sehr genaue Schranken für die Größe dieser freien Bereiche angegeben werden. Die Ausarbeitung dieser Resultate ist die Aufgabenstellung dieses Themas.