Data Mining und Maschinelles Lernen - WS 18/19

Einführung in maschinelles Lernen und Data Mining

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 zur Wiederholungsklausur  ist abgesagt.

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.

Termine

Nach Planung findet die Veranstaltung im folgenden Rhythmus statt:


Tag  Zeit  Raum  Start
Vorlesung Donnerstag  11:40 - 13:20  S202/C205  18.10.
Übung Dienstag  11:40 - 13:20  S202/C205 

23.10.

Sprechstunde Mittwoch 12:00 - 13:30  E203

07.11

Die Sprechstunde am 12.12 findet in Raum E202 statt.

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

Übungen

Betreuung: Markus Zopf, Sebastian Kauschke, Michael Rapp

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 durchgesprochen werden. Die Übungsaufgaben finden Sie in Moodle.

Projekt

Ziel des Projektes ist es, praktische Erfahrungen im Maschinellem Lernen zu sammeln. Die Aufgabenblätter gibt es in Moodle zum download.

In Moodle werden auch 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 21.02.2019 von 10:00-12:00 Uhr statt. Die Bearbeitungszeit für die Klausur wird 90 Minuten betragen.

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

Das Diskussionsforum zur Lehrveranstaltung finden Sie hier.

Literatur

Die folgenden Lehrbücher behandeln einen Großteil des Stoffes:

Als ergänzende Literatur empfehlen wir im Wesentlichen die folgenden Kapitel aus diesen Lehrbüchern:

  • Einführung
    • Mitchell, ch. 1
    • Witten & Frank, ch. 1
    • Fürnkranz, Gamberger & Lavrac, ch. 1
    • Flach, ch. 1
  • Regel-Lernen
    • Mitchell, ch.3, ch. 10
    • Witten & Frank, 3.3, 4.4, 6.2
    • Fürnkranz, Gamberger & Lavrac, ch. 2,3,6 - 10
    • Flach, ch.6.1-6.2
  • Evaluation and Cost-Sensitive Learning
      • Witten & Frank, 5.1-5.5, 5., 5.8
      • Flach, ch.2, 12
      • Instance-Based Learning
        • Mitchell, 8.1, 8.2, 8.5, 8.6
        • Witten & Frank, 3.8, 4.7, 6.4
        • Flach, ch. 8.1-8.3
      • Entscheidungsbaum-Lernen
        • Mitchell, ch.3
        • Witten & Frank, 3.2, 4.3, 6.1
        • J. R. Quinlan. Induction of decision trees. Machine Learning, 1:81-106, 1986.
        • Flach, ch. 5
      • Ensemble Methods
      • Pre-Processing
        • Witten & Frank, ch. 7.1-7.5
      • Clustering und Association Rules

    Machine-Learning-Werkzeuge

    Beispiel-Datensätze

    Weiterführende Veranstaltungen

    Diese Vorlesung stellt den möglichen Beginn einer möglichen Spezialisierung in den Bereichen Maschinelles Lernen, Data Science, oder Künstlichen Intelligenz dar. Mehr Informationen zu entsprechenden Lehrveranstaltungen an der TU Darmstadt finden Sie hier.

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