Data Mining und Maschinelles Lernen - WS 16/17

LVA 20-00-0052-iv - Prof. Dr. J. Fürnkranz

Die Noten der DMML Klausur SS2017 sind in TUCaN veröffentlich. Die Punkteliste mit gekürzten Matrikelnummern hängt ab morgen (31.08.17) an der Pinwand neben Raum D 205.

Die Klausureinsicht findet statt am Freitag, dem 20.10.17 von 15:30-16:30 Uhr in Raum E 202.

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.

• Organisatorisches
• Einführung (Grundbegriffe, Lernprobleme, Konzepte, Beispiele, Repräsentation)
• Regel-Lernen
  • Konzept-Lernen und Versionsräume (Generalisierung und Spezialisierung, Strukturierte Hypothesenräume, Version Spaces)
  • Lernen einzelner Regeln und Subgroup Discovery (Top-down Hill-Climbing, Beam Search, Coverage Space, Heuristiken, Predictive vs. Descriptive Data Mining) (Updated nach der Vorlesung 3.11.2016)
  • Lernen von Regel-Mengen (Covering Strategie, Pruning, Mehr-Klassenprobleme)
    (Updated nach der Vorlesung 10.11.2016)
    Link zu Overfitting Thriller
• Evaluierung und kosten-sensitives Lernen (Accuracy,X-Val,ROC-Kurven,Cost-Sensitive Learning)
• Instanzenbasiertes Lernen (kNN,IBL,NEAR,RISE)
• Entscheidungsbaum-Lernen (ID3, C4.5, etc.) 
  (Updated nach der Vorlesung 15.12.2016)
  
• Ensemble-Methoden (Bias/Variance, Bagging, Randomization, Boosting, Stacking, ECOCs)
• Pre-Processing (Feature Subset Selection, Diskretisierung, Sampling, Data Cleaning)
• Clustering und Lernen von Assoziationsregeln (Apriori)

Termine

Allgemein findet die Veranstaltung im folgenden Rhythmus statt:

Jedoch können sich, auch kurzfristig, Änderungen ergeben, die Sie aus der folgenden vorläufigen Pla­nung entnehmen können:

Übungen

Betreuung: Markus Zopf, Sebastian Kauschke

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.

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. Des Weiteren folgt im späterem Verlauf eine Implementierungsaufgabe. Das Projekt soll in Kleingruppen von je 3 Studenten bearbeitet werden. Die Abgabe soll in einem üblichen Präsentationsformat (z.B. PDF-Folien) erfolgen.

In Moodle (https://moodle.informatik.tu-darmstadt.de/course/view.php?id=158) werden die Abgaben zum Projekt hochgeladen. Bitte nutzen Sie auch das dortige Forum (oder das d120 Forum) um sich in Gruppen zu je 3 Personen zusammenzufinden.

Klausur

Die Klausur findet am Donnerstag, den 16.02.2017 von 10:00 - 12:00 Uhr statt.

Raumaufteilung:

• Nachname A-F: S2|02 C205
  
• Nachname G-Z: S1|01 A1 (Audimax)
  

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

Alte Klausuren

Forum