Data Mining und Maschinelles Lernen - WS 17/18

LVA 20-00-0052-iv (vormals "Maschinelles Lernen: Symbolische Ansätze") - Prof. Dr. J. Fürnkranz

Diese Vorlesung bietet eine Einführung in die Themen maschinelles Lernen und Data Mining mit Schwerpunkt auf Lernen in logisch/symbolischen Repräsentationssprachen.

Die Klausureinsicht findet Freitag, 19.10.2018 von 12-12.30 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.

• 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)
  • Lernen von Regel-Mengen (Covering Strategie, Pruning, Mehr-Klassenprobleme)
    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.)
  
• 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

Nach Planung 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. Die Aufgabenblätter gibt es hier:

1. Projekt Teil 1
2. Projekt Teil 2
   
3. Projekt Teil 3
   

In Moodle 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 15.2. von 10-12h statt. Die Bearbeitungszeit für die Klausur wird 90 min betragen.

Raumaufteilung:

Nachname A - Sch -> Audimax    
Nachname Se-Z -> S1|03/221

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