Maschinelles Lernen und Data Mining (Halbkurs, praktische Informatik)

Tobias Scheffer, Steffen Bickel

Termine

Vorlesung: Fr 11:15-12:45 und Fr 13:25-14:55, RUD 26, 0'310.
Übungsgruppe 1: Fr 9:15-10:45, RUD 26, 0'310.
Übungsgruppe 2: Fr 15:15-16:45, RUD 26, 0'310.

Bitte suchen sie sich eine der beiden Übungsgruppen aus.

Sprechstunden in den Ferien

Steffen Bickel, 23.2., 10:00-13:00, Raum RUD 26, 0'310.
Tobias Scheffer, 16.3., 11:00, Raum RUD 25 - 4.101.

Anmeldung

Bitte melden Sie sich für die Übung in Goya an. Für die Vorlesung brauchen Sie sich nicht anzumelden. Falls die Übung in Goya voll sein sollte, kommen Sie einfach trotzdem zur ersten Vorlesung.

Lehrinhalte:

Die Vorlesung beschäftigt sich mit der Konstruktion von Algorithmen, die aus Daten lernen und in Daten verborgenes Wissen identifizieren. Anwendungen für Datenanalyse-Verfahren erstrecken sich von der Vorhersage von Kreditrisiken über die Auswertung astronomischer Daten bis zu lernenden Robotern. Die behandelten Themen umfassen Klassifikation, Entscheidungsbaumverfahren, lineare Diskriminatoren und Support-Vektor-Maschinen, Assoziationsregeln, Subgruppen, Cluster-Analyse, Scientific Discovery, Geo-Mining, Text Mining und Reinforcement-Lernen.

Empfohlene Literatur:

Siehe auch: Weitere Unterlagen.
Duda, Hart, Stork: Pattern Classification (direkt bei uns auszuleihen).
Jiawei Han, Micheline Kamber: Data Mining (in der Bibliothek vorhanden).
Tom Mitchell: Machine Learning.
Ian Witten, Eibe Frank: Data Minig.
Rasmussen, Williams: Gaussian Processes for Machine Learning (Kapitel 1 und 2 sind online).
Schlittgen, Streitberg (2001): Zeitreihenanalyse (in der Bibliothek vorhanden).

Folien und Unterlagen:

Erscheinen hier vor jeder Vorlesung.

Einleitung.
Begriffslernen, Versionenräume; Folien . Kapitel 2 in Mitchell.
Entscheidungsbäume: ID3, C4.5, SLIQ, Regressionsbäume, Modellbäume; Folien . Kapitel 3 in Mitchell, Kapitel 8.2-8.4 in Duda, Hart & Stork. Paper zu SLIQ,
Bayessches Lernen; Folien. Kapitel 1 und 2 in Rasmussen. Buchkapitel zu Naive Bayes und logistischer Regression von Tom Mitchell. Duda, Hart & Stork, Kapitel 2 und 3.
Zeitreihenanalyse; Folien. Kapitel 1 und 2 in Schlittgen, Streitberg.
Assoziationsregeln.Folien Kapitel 6 in Han & Kamber.
Bewertung von Hypothesen.Folien
Lineare Klassifikatoren, Kernel-Maschinen. Folien (15.01.2007), Schölkopf und Smola, Learning with Kernels; Primale SVMs; Kapitel 5 und 6 in Duda, Hart & Stork.
Clusteranalyse und räumliches Data Mining. Folien. Kapitel 10 in Duda, Hart und Stork, Kapitel 8 in Han & Kamber..
Text, natürliche Sprache. Folien.
Robotik, Steuerung, Lokalisierung.

Weitere Unterlagen

Übungsblätter:

Voraussetzung für die Prüfung am Ende des Semesters ist die Votierung für 2/3 der Übungsaufgaben. Es gibt 13 Übungsaufgaben, demnach benötigen sie 8 2/3 Übungspunkte für die Prüfungszulassung (Endstand - Übungspunkte Ü1-13). Die Übungsaufgaben erscheinen hier nach jeder Vorlesung. In der darauf folgenden Übung werden die Lösungen besprochen.

Übung - Ausgabe: 23.10., Besprechung: 27.10.
Übung - Ausgabe: 30.10., Besprechung: 04.11.
Übung - Ausgabe: 06.11., Besprechung: 10.11.
Übung - Ausgabe: 13.11., Besprechung: 17.11.
Übung - Ausgabe: 17.11., Besprechung: 24.11.
Übung - Ausgabe: 24.11., Besprechung: 01.12.
Übung - Ausgabe: 01.12., Besprechung: 22.12.
Übung - Ausgabe: 22.12., Besprechung: 12.01.
Übung - Ausgabe: 15.01., Besprechung: 19.01. Trainings- und Testdaten für Aufgabe 1.
Übung - Ausgabe: 22.01., Besprechung: 26.01. MS Excel-Datenblatt mit Lösung zu Aufgaben 2a und 2b. Zwischenstand der Übungspunkte Ü1-10.
Übung - Ausgabe: 29.01., Besprechung: 02.02.
Übung - Ausgabe: 02.02., Besprechung: 09.02.
Übung - Ausgabe: 12.02., Besprechung: 16.02. Sammlung der Fragen aus Übung 13. Endstand - Übungspunkte Ü1-13.

Immer gesucht: studentische Mitarbeiter

Bitte sprechen Sie uns an!