Organisatorisches

• Einordnung: Das Seminar ist als 8-CP-Hauptseminar (verteidigtes Referat) für das Fach Entscheidungslehre anerkennbar. Es ist eine Anmeldung beim Prüfungsamt nötig.
• Termin: Das Seminar findet als Kompakt-Seminar am 08.06. und 09.06.2007 ab 8.30 Uhr bzw. 10.15 Uhr im Leo3 statt.
  
• Verbindliche Anmeldung an Nina Büchel bis zum 04.02.2007 23.59 Uhr. Wir benötigen die folgenden Angaben:
  • Name, Vorname
  • E-Mail Adresse
  • Matrikelnummer
  • Fachsemester
  • CP in EL (und durch welche Klausuren errreicht)
    
• Der Abgabetermin für die Seminararbeit ist auf den 21.05.2007 um 17.00 Uhr festgelegt.
• Zeitplan für das Seminar
  
• Ausarbeitungen (Passwort geschützt)
• Präsentationen (Passwort geschützt)
  

Themen

(betreut von MScIS Nina Büchel (NB) und MScIS Stephan Dlugosz (SD))

• Clustern und Klassifikation, Finite Mixtures und EM-Algorithmus (SD) Henning Heitkötter
  
• Two-Step-Clustering (NB) Lars Giering
  
• Hierarchisches Clustern mit ART (HART) (NB) Christian Grelle
  
• K-Means und K*-Means (NB) Ulrich Wolffgang
  
• K-Means-Verfahren und Vektorquantisierung (SD) Irene Ehrlich
  
• Kategorielle Daten in der Clusteranalyse (COOLCAT, LIMBO) (SD) Philipp Borgschulte
  
• Support-Vektor Clustering (SD) Kay Brodersen
  
• Bestimmung der Clusterzahl (NB) Andreas Jacobs
  
• Instance level constraints (NB) Philipp Holtkamp
  
• Cluster level constraints (NB) Philipp Ortmanns
  
• Model level constraints (NB) Steffani Ungerath
  
• Clustern mit Saatlegung (SD) Bastian Behrend
  
• Unüberwachte Ausreißerentdeckung (SD) Robin Fischer

Literatur (vorläufig!) ("unüberwachter" Überblick)  

• Bacher, J. and Wenzig, K. and Vogler, M. "SPSS TwoStep Cluster--A First Evaluation", RC33 Sixth International Conference on Social Science Methodology, 2004
• Bartfai, G.: Hierarchical clustring with ART neural networks. In: Proceedings of the IEEE International Conference on Neural Networks. Band 2, 27 June - 2 July 1994, S. 940-944
• Bartfai, G., White, R.: An ART-based Modular Architecture for Learning Hierarchical Clusterings. In: Neurocomputing, 13 (1996), S. 31-45
• Bartfai, G., White, R.: A Fuzzy ART-based Modular Neuro-Fuzzy Architecture for Learning Hierarchical Clusterings. 1997
• S. Basu, A. Banerjee and R. J. Mooney, "Semisupervised Learning by Seeding", Proc. 19th Intl. Conf. on Machine Learning (ICML-2002), Sydney, Australia, July 2002
• Ben-Hur, A.; Horn, D.; Siegelmann, H., Vapnik, V. "Support vector clustering" Journal of Machine Learning Research, MIT Press, 2001, 2, 125-137
• Cheung, Y. "k *-Means--A New Generalized k-Means Clustering Algorithm", Pattern Recognition Letters, 2003, 24, 2883-2893
• Caudell, T.P.; Smith, S.D.G.; Escobedo, R.; Anderson, M.: NIRS: Large scale ART-1 neural architectures for engineering design retrieval. In: Neural Networks, 7 (1994) 9, S. 1339-1350
• Cuevas, A.; Febrero, M. & Fraiman, R. "Estimating the Number of Clusters" The Canadian Journal of Statistics/La Revue Canadienne de Statistique, JSTOR, 2000, 28, 367-382
• Davidson, S.S. Ravi, "Clustering under Constraints: Feasibility Results and the K-Means Algorithm", SIAM Data Mining Conference 2005
• David Gondek, Shivakumar Vaithyanathan, and Ashutosh Garg, "Clustering with Model-level Constraints", SIAM International Conference on Data Mining (SDM), 2005
• David Gondek and Thomas Hofmann, "Non-Redundant Data Clustering", 4th IEEE International Conference on Data Mining (ICDM), 2004
• T. F. Gonzalez, "Clustering to Minimize the Maximum Intercluster Distance", Theoretical Computer Science, Vol. 38, No. 2-3, June 1985, pp. 293-306
• Graf, S. & Luschgy, H. "Foundations of Quantization for Probability Distributions", Springer-Verlag New York, Inc. Secaucus, NJ, USA, 2000
• D. Klein, S. D. Kamvar and C. D. Manning, "From Instance-Level Constraints to Space-Level Constraints: Making the Most of Prior Knowledge in Data Clustering", Proc. 19th Intl. Conf. on Machine Learning (ICML 2002)
• Liao, Hong-Yuan M.; Hung, Hai-Lung; Sze, Chwen-Jye; Lin, Shing-Jong; Lin, Wie-Chung; Fan, Kuo-Chin: CFART: A New Multi-Resolutional Adaptive Resonance System for Objekt Recognition. 1996
• McLachlan, G. "Finite Mixture Models", Wiley, New York 2000
• Vinueza, A. & Grudic, G. Z. "Unsupervised Outlier Detection and Semi-Supervised Learning", 2004
• K. Wagstaff, C. Cardie, S. Rogers and S. Schroedl, "Constrained K-means Clustering with Background Knowledge", ICML 2001
• Xu, L.; Neufeld, J.; Larson, B. & Schuurmans, D. "Maximum Margin Clustering" 2005
• weitere wird noch bekanntgegeben
  

• Seitenanfang
• zurückblättern