Data Mining und Maschinelles Lernen (Maschinelles Lernen: Symbolische Ansätze) - WS 14/15

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

Prof. Dr. J. Fürnkranz

Achtung: Am 4.2.2015 findet keine Vorlesung statt!

Die Klausurnoten sind in TUCaN eingetragen. Eine Punkteliste hängt an der Pinwand neben Raum D 205. Die Klausureinsicht findet statt am Donnerstag, den 23.04.2015 von 15:00-16:00 Uhr in Raum E 202.

Termine


Tag 
Zeit 
Raum 
Start
Vorlesung Mittwoch 
18:05 - 19:45 
S202/C205 
15.10.
Übung Dienstag 
09:50 - 11:30 
S202/C205 

21.10.

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

    Die Klausur findet statt am Dienstag, dem 17.02.15 von 12:00-14:00 Uhr.

    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. Eine englische Übersetzung der Klausur wird bei Bedarf gestellt.

    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. Des weiteren folgt im späterem Verlauf eine Implementierungsaufgabe. 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, sowie der Java-Quellcode für die Programmieraufgabe. Die Abgaben müssen bis spätestens 24:00 am Stichtag erfolgt sein.

    Für einen Klausurbonus ist es nicht zwingend nötig alle Aufgaben zu bearbeiten. Bei Teilabgaben kann noch ein entsprechender Teilbonus erreicht werden. Das Implementationsprojekt umfasst etwa 1/3 der zu erreichenden Punkte. 

    Senden Sie bitte ihre Anmeldung & Abgabe an diese E-Mail-Adresse: ml-projekt@ke.tu-darmstadt.de.

    Dateien: Analyse Aufgaben, DatensätzeImplementations Aufgabe, Framework

    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