Data Mining und Maschinelles Lernen - WS 18/19

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.

• 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 (k-means, Hierarchical Clustering, Efficient Clustering)
• Lernen von Assoziationsregeln (Apriori)

Termine

Nach Planung findet die Veranstaltung im folgenden Rhythmus statt:

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: