Maschinelles Ler­nen: Sym­bol­is­che Ansätze - WS 09/10

Einführung in maschinelles Ler­nen und Data Min­ing mit Schw­er­punkt auf Ler­nen in lo­gisch / sym­bol­is­chen Repräsentationssprachen.​
Con­tents
  1. Ankündi­gun­gen
  2. In­halt
  3. Übun­gen
  4. Klausur
  5. Pro­jekt
    1. Auf­gaben
  6. Forum
  7. Ma­te­ri­alien
    1. Lit­er­atur
    2. Ma­chine-Learn­ing-Werkzeuge
    3. Beispiel-Datensätze
    4. Data Min­ing-Wet­tbe­werbe

Prof.​ Dr.​ J.​ Fürnkranz

Die Ve­r­anstal­tung im Vor­lesungsverze­ich­nis.


Tag Zeit Raum Start
Vor­lesung Don­ner­stag 09:50-11:30 S202/C110 15.10.
Übung Di­en­stag 09:50-11:30 S202/C110 20.10.

Ankündi­gun­gen

Die Nach­prüfung find­et am 20.7.2010 statt.​ Je nach­dem wie viele An­mel­dun­gen es gibt wird diese mündlich oder schriftlich sein.​ Melden Sie sich bitte bis zum 11.7.2010 über das Sekre­tari­at an.

Die Klausurein­sicht wird am Fre­itag, den 26.3.10 von 9:00 - 11:00 Uhr in Raum S202/E302 stat­tfind­en.

Die Klausurnoten hängen nun am schwarzen Brett vor den Räumen des Fachge­bi­ets aus.

In­halt

Durch die En­twick­lung der In­for­ma­tion­stech­nolo­gie sind immer größere Daten­men­gen verfügbar.​ Diese en­thal­ten oft im­plizites Wis­sen, das, wenn es bekan­nt wäre, große wirtschaftliche oder wis­senschaftliche Be­deu­tung hätte.​ Data Min­ing ist ein Forschungs­ge­bi­et, das sich mit der Suche nach po­ten­tiell nützlichem Wis­sen in großen Daten­men­gen beschäftigt, und Maschinelles Lern­ver­fahren gehören zu den Schlüssel­tech­nolo­gien in­ner­halb dieses Ge­bi­ets.

Die Vor­lesung bi­etet eine Einführung in das Ge­bi­et des Maschinellen Ler­nens unter dem beson­deren As­pekt des Data Minings.​ Es wer­den Ver­fahren aus ver­schiede­nen Paradig­men des Maschinellen Ler­nens mit ex­em­plar­ischen An­wen­dun­gen vorgestellt.​ Um das Wis­sen zu op­er­a­tional­isieren, wer­den in den Übun­gen prak­tisch­e Er­fahrun­gen mit Ler­nal­go­rith­men gesam­melt.

Übun­gen

In den Übun­gen er­hal­ten Sie Auf­gaben über den Vor­lesungsstoff, oft alte Klausur-Auf­gaben, die Sie selb­st lösen sollen, und die dann in der fol­gen­den Übungsstunde durchbe­sprochen wer­den.
  1. Übung, 27. 10. 09: Klas­si­fika­tion­sprob­leme, (Musterlösung)
  2. Übung, 03. 11. 09: Hypthe­sen­raum, Gen­er­al­isierung, (Musterlösung)
  3. Übung, 10. 11. 09: Ver­sion Spaces, (Musterlösung)
  4. Übung, 24. 11. 09: Regeller­nen, (Musterlösung)
  5. Übung, 26. 11. 09: Regeller­nen 2, (Musterlösung)
  6. Übung, 03. 12. 09: Eval­u­a­tion, (Musterlösung)
  7. Übung, 08. 12. 09: In­stanzen­basiertes Ler­nen (Up­date 3.12.09) (Musterlösung)
  8. Übung, 15. 12. 09: In­stanzen­basiertes Ler­nen 2 (Up­date 16.12.09) (Musterlösung, Up­date 15.2.10)
  9. Übung, 12. 01. 10: Bäume (Musterlösung)
  10. Übung, 19. 01. 10: Bäume 2 (Musterlösung)
  11. Übung, 26. 01. 10: En­sem­bles (Musterlösung)
  12. Übung, 02. 02. 10: Pre-Pro­cess­ing (Musterlösung)
  13. Übung, 09. 02. 10: As­sozi­a­tion­sregeln (Musterlösung)

Klausur

Die Klausur find­et am 24.2.2010 im Zeitraum von 12:15 - 13:45 Uhr statt.

Er­laubte Un­ter­la­gen:
Sie dürfen ein von Ihnen selb­st dop­pel­seit­ig handbeschriebenes Din A4-Blatt zur Klausur mitbringen.​ Alle an­deren Un­ter­la­gen, ins­beson­dere Elek­tro­n­is­che Hil­f­s­mit­tel (Taschen­rech­n­er, Handy, elek­tro­n­is­ches Wörter­buch, etc.​) sind nicht er­laubt.

Pro­jekt

Zusätzlich zu den Übun­gen wer­den Sie noch prak­tis­che Er­fahrun­gen mit der Data Min­ing Soft­ware Weka sammeln.​ Die Ab­gabe soll in Form einer Präsen­ta­tion jew­eils einen Tag vor der Be­sprechung in der Übung (sofern nicht an­ders angekündigt) an fol­gende Mailadresse geschickt wer­den: ml-project09@​ke.​informatik.​tu-darmstadt.​de

Auf­gaben

Forum

Das Diskus­sions­fo­rum zur Lehrver­anstal­tung find­en Sie hier.

Lit­er­atur

Die fol­gen­den bei­den Lehrbücher be­han­deln einen Großteil des Stoffes: Während die Lehrbücher den Stoff im Großen und Ganzen be­han­deln, und in vie­len Punk­ten auch noch tiefer gehen, wer­den in der Vor­lesung zum Teil an­dere Schw­er­punk­te gesetzt.​ Als ergänzende Lit­er­atur empfehlen wir im Wesentlichen die fol­gen­den Ar­beit­en (bitte auf Up­dates acht­en):

Pa­pers zu vie­len The­men find­en Sie oft auch mit Cite­Seer, DER Such­mas­chine für wis­senschaftliche Texte der In­for­matik

Ma­chine-Learn­ing-Werkzeuge

Beispiel-Datensätze

Data Min­ing-Wet­tbe­werbe

Kontakt

small ke-icon

Knowledge Engineering Group

Fachbereich Informatik
TU Darmstadt

S2|02 D203
Hochschulstrasse 10

D-64289 Darmstadt

Sekretariat:
Telefon-Symbol+49 6151 16-21811
Fax-Symbol +49 6151 16-21812
E-Mail-Symbol info@ke.tu-darmstadt.de

 
A A A | Drucken | Impressum | Sitemap | Suche | Mobile Version
zum Seitenanfangzum Seitenanfang