Maschinelles Lernen: Symbolische Ansätze - WS 09/10

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

Prof. Dr. J. Fürnkranz

Die Veranstaltung im Vorlesungsverzeichnis.


Tag Zeit Raum Start
Vorlesung Donnerstag 09:50-11:30 S202/C110 15.10.
Übung Dienstag 09:50-11:30 S202/C110 20.10.

Ankündigungen

Die Nachprüfung findet am 20.7.2010 statt. Je nachdem wie viele Anmeldungen es gibt wird diese mündlich oder schriftlich sein. Melden Sie sich bitte bis zum 11.7.2010 über das Sekretariat an.

Die Klausureinsicht wird am Freitag, den 26.3.10 von 9:00 - 11:00 Uhr in Raum S202/E302 stattfinden.

Die Klausurnoten hängen nun am schwarzen Brett vor den Räumen des Fachgebiets aus.

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.
  1. Übung, 27. 10. 09: Klassifikationsprobleme, (Musterlösung)
  2. Übung, 03. 11. 09: Hypthesenraum, Generalisierung, (Musterlösung)
  3. Übung, 10. 11. 09: Version Spaces, (Musterlösung)
  4. Übung, 24. 11. 09: Regellernen, (Musterlösung)
  5. Übung, 26. 11. 09: Regellernen 2, (Musterlösung)
  6. Übung, 03. 12. 09: Evaluation, (Musterlösung)
  7. Übung, 08. 12. 09: Instanzenbasiertes Lernen (Update 3.12.09) (Musterlösung)
  8. Übung, 15. 12. 09: Instanzenbasiertes Lernen 2 (Update 16.12.09) (Musterlösung, Update 15.2.10)
  9. Übung, 12. 01. 10: Bäume (Musterlösung)
  10. Übung, 19. 01. 10: Bäume 2 (Musterlösung)
  11. Übung, 26. 01. 10: Ensembles (Musterlösung)
  12. Übung, 02. 02. 10: Pre-Processing (Musterlösung)
  13. Übung, 09. 02. 10: Assoziationsregeln (Musterlösung)

Klausur

Die Klausur findet am 24.2.2010 im Zeitraum von 12:15 - 13:45 Uhr statt.

Erlaubte Unterlagen:
Sie dürfen ein von Ihnen selbst doppelseitig handbeschriebenes Din A4-Blatt zur Klausur mitbringen. Alle anderen Unterlagen, insbesondere Elektronische Hilfsmittel (Taschenrechner, Handy, elektronisches Wörterbuch, etc.) sind nicht erlaubt.

Projekt

Zusätzlich zu den Übungen werden Sie noch praktische Erfahrungen mit der Data Mining Software Weka sammeln. Die Abgabe soll in Form einer Präsentation jeweils einen Tag vor der Besprechung in der Übung (sofern nicht anders angekündigt) an folgende Mailadresse geschickt werden: ml-project09@ke.informatik.tu-darmstadt.de

Aufgaben

Forum

Das Diskussionsforum zur Lehrveranstaltung finden Sie hier.

Literatur

Die folgenden beiden Lehrbücher behandeln einen Großteil des Stoffes: Während die Lehrbücher den Stoff im Großen und Ganzen behandeln, und in vielen Punkten auch noch tiefer gehen, werden in der Vorlesung zum Teil andere Schwerpunkte gesetzt. Als ergänzende Literatur empfehlen wir im Wesentlichen die folgenden Arbeiten (bitte auf Updates achten):

Papers zu vielen Themen finden Sie oft auch mit CiteSeer, DER Suchmaschine für wissenschaftliche Texte der Informatik

Machine-Learning-Werkzeuge

Beispiel-Datensätze

Data Mining-Wettbewerbe

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