Fragen zur Klausur SS 2004

[STeiNy]

Bei der Bearbeitung der Aufgaben sind uns folgende Fragen gekommen. Es wäre gut, wenn ihr dazu mal eure Lösungsansätze posten könntet. Vielen Dank!

Aufgabe 4b: besitzt eine SVM eine Ähnlichkeitsfunktion? Und wie würde diese aussehen?
Aufgabe 5b: Kann man jetzt Hubs & Authorities verwenden? (wurde ohne Abschluss kontrovers diskutiert)
Aufgabe 5d: Wie viele Klassifikatoren sollen hier verwendet werden? (Es gab Argumente für 3, oder 1 Klassifikator)

Gruß,
Seb

[Xelord]

Aufgabe 5b: Laut meinem Verständnis ist es einsetzbar. Wurde sogar bereits eingesetzt, aber es ist zu langsam im Vergleich zum PageRank-Verfahren und deswegen gibt es gar kein (wenige) Suchmaschinen, die das einsetzen. Die Echtzeitberechnung der Hubs/Authorityscores ist eben das Problem.

[SmilingJ]

Aufgabe 5b: Laut meinem Verständnis ist es einsetzbar. Wurde sogar bereits eingesetzt, aber es ist zu langsam im Vergleich zum PageRank-Verfahren und deswegen gibt es gar kein (wenige) Suchmaschinen, die das einsetzen. Die Echtzeitberechnung der Hubs/Authorityscores ist eben das Problem.

die frage ist ja, ob es sich für den *praktischen* einsatz eignet .. da es doch arg langsam ist, sollte die antwort tendenziell eher nein sein.

[Farnus]

Aufgabe 4b: besitzt eine SVM eine Ähnlichkeitsfunktion? Und wie würde diese aussehen?
Aufgabe 5b: Kann man jetzt Hubs & Authorities verwenden? (wurde ohne Abschluss kontrovers diskutiert)
Aufgabe 5d: Wie viele Klassifikatoren sollen hier verwendet werden? (Es gab Argumente für 3, oder 1 Klassifikator)

4b: IMO ja, bei der Maximierung der Begrenzung
5b: sehe ich wie Smiling3 also IMO nein, weil einfach zu teuer
5d: Ich schlage 2 Klassifiziere vor, einen für die Trainingsbeispiele und einen für das aktuelle Dokument.

[sYsChOs]

Aufgabe 4b: besitzt eine SVM eine Ähnlichkeitsfunktion? Und wie würde diese aussehen?
Aufgabe 5b: Kann man jetzt Hubs & Authorities verwenden? (wurde ohne Abschluss kontrovers diskutiert)
Aufgabe 5d: Wie viele Klassifikatoren sollen hier verwendet werden? (Es gab Argumente für 3, oder 1 Klassifikator)

4b: IMO ja, bei der Maximierung der Begrenzung
5b: sehe ich wie Smiling3 also IMO nein, weil einfach zu teuer
5d: Ich schlage 2 Klassifiziere vor, einen für die Trainingsbeispiele und einen für das aktuelle Dokument.

4b: ich sehe bei einer SVM keine Ähnlichkeitsfuktion.

5d: Warum 2 Klassifizierer? Du willst einen trainieren und den untrainierten zum Testen benutzen??? Also ich würde sage, ein Klassifizierer wird benutzt.

[Xelord]

Ähnlichkeitsfunktion in SVM, wüsste ich auch nicht, wo die sein soll.
1 Klassifizierer sollte IMO ausreichen.

[Werwolf]

Hätte da eine Frage zur Aufgabe 2.

2-e und 2-f gehen ja darum Studenten zu "helfen" passende Vorlesungen zu finden.
In 2-f wird ja gefragt welche Technik man benutzten könnte und ich hab mir einfach k-means Clustering gedacht. Aber wie kann ich dabei noch die Note des Studenten berücksichtigen ?
Oder ist in dieser Aufgabe eine andere Technik gefragt ?
Und wenn ja welche würdet Ihr benutzen ?

[levitin]

2-e und 2-f gehen ja darum Studenten zu "helfen" passende Vorlesungen zu finden.
In 2-f wird ja gefragt welche Technik man benutzten könnte und ich hab mir einfach k-means Clustering gedacht. Aber wie kann ich dabei noch die Note des Studenten berücksichtigen ?
Oder ist in dieser Aufgabe eine andere Technik gefragt ?
Und wenn ja welche würdet Ihr benutzen ?

ich würde hier Collaborative Filtering einsetzten, und zwar in 2-e memory based und in 2-f model based

2-e) Memory Based Collaborative Filtering

Matrix: Studenten / Lernveralstaltungen. Einträge sind die Noten.

ua = aktiver user;
empfohleneVeranstaltungen = null;
for(i : alleVeralstaltungen){
1)add to empfohleneVeranstaltungen die geschätzte Wahrscheinlichkeitsnote, mit welcher Ua die Veranstaltung i abschließen würde.
2)m(u) unbedingt betrachten
}
empfohleneLernveranstaltungen nach der geschätzten Note sortieren und dem aktiven User empfehlen.


2-f) Model Based Collaborative Filtering mit Users-Clustering