Intern
    Data Science Chair

    Seminar: Ausgewählte Themen des Machine Learning (MA)

    Thematischer Fokus: Machine Learning for Recommendation

    Veranstalter: Prof. Dr. Andreas Hotho, Tobias Koopmann, Elisabeth Fischer

    Anmeldung: lsx-reco-project[at]informatik.uni-wuerzburg.de (bitte gebt eure Matrikelnummer mit an)

    Dieses Seminar wird begleitend bzw. vorbereitend zum thematisch passendem Master-Praktikum angeboten. Ziel des Seminars ist gemeinsam die theoretischen Grundlagen zur Anwendung von Machine Learning auf Fragestellungen im Bereich Recommender Systems zu erarbeiten. Vorwissen aus dem Bereich Data Mining und Neuronale Netze sind empfehlenswert. Das Seminar richtet sich an Studierende im Master.

    Bei Fragen oder zur Reservierung eines Themas/Platzes schreiben Sie bitte eine Email an lsx-reco-project[at]informatik.uni-wuerzburg.de
    Geben Sie dabei bitte immer den Studiengang und die Matrikelnummer mit an und ob Sie bereits verwandte Veranstaltungen wie beispielsweise Data Mining gehört oder anderweitig Vorwissen haben.

    Der Fokus in diesem Seminar auf der praktischen Umsetzbarkeit der behandelten wissenschaftlichen Arbeiten. Das Seminar besteht entsprechend aus zwei Teilen: Im ersten Teil soll jedes vergebene Seminarthema didaktisch aufbereitet präsentiert werden. Die Seminargruppe diskutiert dann über die technische Umsetzung und mögliche Anwendungen. Der zweite Teil besteht aus der Ausarbeitung der Hausarbeit, in der die theoretischen Grundlagen in eigenen Worten wiedergegeben und diese auf ein zuvor vereinbartes Anwendungsbeispiel übertragen werden sollen.

    Vorbesprechung: TBA

    Corona News

    Aufgrund der aktuellen Umstände wird das Seminar auf Online-Lehre umgestellt.
    Nach der Erstbesprechung werden wir die Themen fest an Studenten vergeben. Themen bzw. Plätze können zuvor reserviert werden (siehe oben).

    Alle Besprechungen und Vorträge werden nach aktuellem Stand über ZOOM veranstaltet. Wir bitten um eine funktionierende Kamera. 

    ZOOM
    ZOOM benötigt einen vorinstallierten Client, der unter https://zoom.us/download verfügbar ist. Ein Account wird zur Teilnahme allerdings nicht benötigt. ZOOM ist außerdem auch auf Android und IOS verfügbar.
    (ZOOM funktioniert auch im Browser. Diese Variante können wir aber aufgrund der schlechteren Performance nicht empfehlen.)

    Themenvergabe und Vorbesprechung

    Themen können schon vor dem Vorbesprechungstermin reserviert werden. Die Themen werden einige Zeit vor der Vorbesprechung hier auf dieser Seite bekannt gegeben.

    Bei der Vorbesprechung werden die Themen - so nicht schon vergeben - an die anwesenden Seminarteilnehmer verteilt. Grundsätzlich besteht Anwesenheitspflicht. Teilnehmer, die bereits ein Thema bearbeiten, aber ohne Absprache fehlen, verlieren den Anspruch auf ihr Thema/ihren Platz

    Themen

    Die Grundlage zu den Vorträgen bilden wissenschaftliche Aufsätze (Papers). Jedes hier aufgeführte Paper entspricht einem Thema.

    Bei der Erstbesprechung werden übrige bzw. wieder frei gewordene Themen an anwesende Studenten verteilt. Wer möchte kann sich dafür auch auf eine Warteliste eintragen lassen (Anwesenheit trotzdem erforderlich). 

    Themen

    • {ELECTRA:} Pre-training Text Encoders as Discriminators Rather Than Generators. Clark, Kevin; Luong, Minh{-}Thang; Le, Quoc V.; Manning, Christopher D. In CoRR, abs/2003.10555. 2020.
    • Hypergraph Neural Networks. Feng, Yifan; You, Haoxuan; Zhang, Zizhao; Ji, Rongrong; Gao, Yue. In AAAI, pp. 3558–3565. AAAI Press, 2019.
    • Visualbert: A simple and performant baseline for vision and language. Li, Liunian Harold; Yatskar, Mark; Yin, Da; Hsieh, Cho-Jui; Chang, Kai-Wei. In arXiv preprint arXiv:1908.03557. 2019.
    • Multi-relational Poincaré Graph Embeddings. Balazevic, Ivana; Allen, Carl; Hospedales, Timothy M. In CoRR, abs/1905.09791. 2019.
    • Multi-relational Poincaré Graph Embeddings. Balazevic, Ivana; Allen, Carl; Hospedales, Timothy M. In CoRR, abs/1905.09791. 2019.
    • Modeling Relational Data with Graph Convolutional Networks. Schlichtkrull, Michael Sejr; Kipf, Thomas N.; Bloem, Peter; van den Berg, Rianne; Titov, Ivan; Welling, Max. In ESWC, Vol. 10843 of Lecture Notes in Computer Science, A. Gangemi, R. Navigli, M.-E. Vidal, P. Hitzler, R. Troncy, L. Hollink, A. Tordai, M. Alam (eds.), pp. 593–607. Springer, 2018.
    • How Powerful are Graph Neural Networks?. Xu, Keyulu; Hu, Weihua; Leskovec, Jure; Jegelka, Stefanie. In CoRR, abs/1810.00826. 2018.
    • {Semi-Supervised Classification with Graph Convolutional Networks}. Kipf, Thomas N.; Welling, Max. In Proceedings of the 5th International Conference on Learning Representations, of ICLR ’17. Palais des Congr{è}s Neptune, Toulon, France, 2017.
    • Inductive Representation Learning on Large Graphs. Hamilton, William L.; Ying, Zhitao; Leskovec, Jure. In NIPS, I. Guyon, U. von Luxburg, S. Bengio, H. M. Wallach, R. Fergus, S. V. N. Vishwanathan, R. Garnett (eds.), pp. 1024–1034. 2017.
    • Semi-supervised classification with graph convolutional networks. Kipf, Thomas N; Welling, Max. In arXiv preprint arXiv:1609.02907. 2016.
    • From word embeddings to document distances. Kusner, Matt; Sun, Yu; Kolkin, Nicholas; Weinberger, Kilian. In International conference on machine learning, pp. 957–966. 2015.
    • Generative Adversarial Networks. Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua. 2014.
    • Playing Atari with Deep Reinforcement Learning. Mnih, Volodymyr; Kavukcuoglu, Koray; Silver, David; Graves, Alex; Antonoglou, Ioannis; Wierstra, Daan; Riedmiller, Martin. 2013.

    Leistungsnachweis

    Zum Ablauf der oben angegebenen Bearbeitungsfristen sind jeweils per Email als PDF dem Betreuer abzugeben:

    • der Foliensatz zur Präsentation
    • eine 4- 6 - seitige LaTeX-Ausarbeitung im hier beschriebenen Format (doppelspaltig, inklusive Bibliographie) 

    Vorherige Absprachen mit dem Betreuer sind ausdrücklich erwünscht. Alle verwendeten Referenzen sind zusätzlich zum Literaturverzeichnis der Ausarbeitung in http://www.bibsonomy.org in der entsprechenden Gruppe mit den Tags des jeweiligen Themas und weiteren sinnvollen Tags zu versehen.

    Die Vortragsdauer beträgt verbindlich 20 Minuten, nach dem Vortrag wird in der Seminargruppe diskutiert (ca. 10 Minuten). Der Vortrag (inkl. Folien und Abstract) geht mit 40% in die Endnote ein, die Ausarbeitung ebenfalls mit 30%. Die letzten 30% bewerten die Vorbereitung, Beteiligung in der Diskussionsrunde (insbesondere bei anderen Vorträgen), Eigenständigkeit der Ausarbeitung und Einhaltung von Terminen.

    Bearbeitungshinweise

    Als Richtlinie für die Erstellung einer guten Seminararbeit (inkl. Vortrag und Ausarbeitung) wird das Buch

    Markus Deininger and Horst Lichter and Jochen Ludewig and Kurt Schneider. Studien-Arbeiten: ein Leitfaden zur Vorbereitung, Durchführung und Betreuung von Studien-, Diplom- Abschluss- und Doktorarbeiten am Beispiel Informatik. 5. Auflage. vdf Hochschulverlag, Zürich, 2005. 

    empfohlen, welches beim Betreuer des Seminars (Prof. Dr. Andreas Hotho) ausliegt. Wir empfehlen die Anschaffung dieses Buchs (9,50 €), da es Sie bis zur Masterarbeit (und weiter) begleiten kann. Die Benotung der Seminararbeit erfolgt in Anlehnung an das dort auf Seite 77 angegebene Schema, angepasst auf die Erfordernisse einer Seminararbeit.