Data Mining und Maschinelles Lernen - WS 15/16

Einführung in maschinelles Lernen und Data Mining mit Schwerpunkt auf Lernen in logisch/symbolischen Repräsentationssprachen. Vormals "Maschinelles Lernen: Symbolische Ansätze".

LVA 20-00-0052-iv - Prof. Dr. J. Fürnkranz

Die Klausurergebnisse hängen an der Pinnwand neben Raum D205 aus und wurden in Tucan eingetragen (Freischaltung erfolgt über das Studienbüro). 

Einsicht: Die Einsicht findet am Dienstag, den 10.05.2016 um 11:15-12:15 in E302 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.

Termine

Allgemein findet die Veranstaltung im folgenden Rhythmus statt:


Tag 
Zeit 
Raum 
Start
Vorlesung Mittwoch 
18:05 - 19:45 
S202/C205 
14.10.
Übung Dienstag 
09:50 - 11:30 
S202/C205 

20.10.

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

Übungen

Betreuung: Eneldo Loza Mencía

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 am 16.2.2016, in L402/1 (Medienzentrum Lichtwiese) um 9:00 Uhr statt und ist für 90 Min. angesetzt.

    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.
    An English translation of the exam can be prepared if you ask for it in the week before the exam.

    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) bearbeitet werden. Die Abgabe soll in einem üblichen Präsentationsformat (z.B. PDF-Folien) erfolgen.

    Die Anmeldung erfolgt unter https://www.ke.tu-darmstadt.de/webmining-upload/mldm15. Weitere Hinweise zur Anmeldung siehe unten.

    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. 

    Dokumente:

    Stichtage:

    • Anmeldung: 6.12.
    • Abgabe 1-3: 13.12.
    • Abgabe 4-6: 17.01.
    • Abgabe 7, 8, 9, Implementation: 7.02.

    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