Maschinelles Lernen: Symbolische Ansätze - WS 13/14

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

Prof. Dr. J. Fürnkranz

Die Veranstaltung im Vorlesungsverzeichnis.

 

Aktuelles

Die Notenliste hängt nun aus.

Die Klausureinsicht findet am 16.4. von 15:30 bis 17:00 in Raum A313 statt.

Hinweis:


Tag Zeit Raum Start
Vorlesung Mittwoch 18:05 - 19:45 S202/C205 16.10.
Übung Dienstag 09:50 - 11:30 S202/C205

22.10.

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.

    Klausur

    Alte Klausuren:

    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 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 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

    A A A | Drucken | Impressum | Sitemap | Suche | Mobile Version
    zum Seitenanfangzum Seitenanfang