Maschinelles Lernen: Symbolische Ansätze - WS 12/13

Einführung in maschinelles Lernen und Data Mining mit Schwerpunkt auf Lernen in logisch/symbolischen Repräsentationssprachen.

Prof. Dr. J. Fürnkranz

Die Veranstaltung im Vorlesungsverzeichnis.

Hinweis:

Tag Zeit Raum Start
Vorlesung Mittwoch 18:05 - 19:45 S202/C205 17.10.
Übung Dienstag 09:50 - 11:30 S202/C205

23.10.

Die Klausureinsicht findet am 15.4. von 13:00-15:00 Uhr in Raum A213 statt.  

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 0, 23.10.12: Übung 0
  2. Übung 1, 30.10.12: Klassifikation [Muster Lösung]
  3. Übung 2, 06.11.12: Einzelregeln [Muster Lösung]
  4. Übung 3, 13.11.12: Version Spaces [Muster Lösung]
  5. Übung 4, 20.11.12: Regellernen I [Muster Lösung] [update 20.11]
  6. Übung 5, 27.11.12: Regellernen II [Muster Lösung]
  7. Übung 6, 04.12.12:  Evaluierung [Muster Lösung]
  8. Übung 7, 11.12.12: Instance-based learning  [Muster Lösung]
  9. Übung 8, 18.11.12: Instance-based learning II [Muster Lösung]
  10. Übung 9, 15.01.13: Decision Trees I [Muster Lösung]
  11. Übung 10, 22.01.13: Decision Trees II [Muster Lösung]
  12. Übung 11, 29.01.13: Ensembles [Muster Lösung]
  13. Übung 12. 05.02.13: Preprocessing [Muster Lösung] [update 04.02]
  14. Übung 13. 12.02.13: Assoziationsregeln [Muster Lösung] [update 11.02]

Klausur

Die Klausur wird am 19.2.2013 in Raum C205 von 10-12h stattfinden.

Alte Klausuren finden Sie hier, so wie hier. [update 13.2]

Projekt

Ziel des Projektes ist es, praktische Erfahrungen im Maschinellem Lernen zu sammeln. Hierzu sollen mehrere Projektaufgaben mit Hilfe des Machine Learning Frameworks Weka gelöst werden. Das Projekt kann allein bzw. in einer Kleingruppe (maximal 3 Studenten, Name + Matrikelnr. müssen in der Abgabe und Anmeldung ersichtlich sein) bearbeitet werden. Die Abgabe soll in einem üblichen Präsentationsformat (z.B. OpenOffice, PowerPoint oder PDF) erfolgen. Jede Gruppe muss zudem jeweils eine Aufgabe im Rahmen der Übung präsentieren. (ca. 5-10 min) Die Folien sollten allerdings  selbstredend, also auch ohne den dazugehörigen Vortrag verständlich sein. Senden Sie bitte ihre Anmeldung & Abgabe an diese E-Mail-Adresse: ml-projekt@ke.tu-darmstadt.de.

Das Projekt [update 03.12] besteht aus 9 Aufgaben. Benutzen Sie für die Bearbeitung die hier bereitgestellte Sammlung an Klassifikations- und Regressionsdatensätzen. Für die erfolgreiche Bearbeitung gibt es einen Bonus von bis zu 10 Klausurpunkten, allerdings nur bei bestandener Klausur.

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