Data Mining und Maschinelles Lernen - WS 17/18

Einführung in maschinelles Lernen und Data Mining

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 Vorlesung am 09.11.2017 entfällt!
Sie findet stattdessen am  Dienstag den 14.11. um 11.40 Uhr statt.
Die Hörsaalübung vom 14.11. findet dafür am Donnerstag den 16.11 um 11.40 Uhr statt.
Die Hörsaalübung am 21.11. entfällt.

Achtung Änderung: Die Tutoren-Sprechstunde findet Mittwochs um 11:45 in Raum A313 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

Nach Planung findet die Veranstaltung im folgenden Rhythmus statt:

Tag  Zeit  Raum  Start
Vorlesung Donnerstag  11:40 - 13:20  S202/C205  19.10.
Übung Dienstag  11:40 - 13:20  S202/C205 

24.10.

Sprechstunde Mittwoch 11:40 - 13:10  A313

01.11

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

 

Übungen

Betreuung: Markus Zopf, Sebastian Kauschke

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.

Übungsblatt Besprechung vrsl. am Lösungsvorschlag
Organisation Übung 00 - Organisatorisches - -
 Übung 01  Übung 01 - Intro  07.11.2017  Übung 01 - Lösungsvorschlag
 Übung 02  Übung 02 - Konzepte, Regeln und Hypothesen  16.11.2017  Übung 02 - Lösungsvorschlag
 Übung 03  Übung 03 - Version Spaces  28.11.2017  

Projekt

Ziel des Projektes ist es, praktische Erfahrungen im Maschinellem Lernen zu sammeln. Die Aufgabenblätter gibt es hier:

  1. Projekt Teil 1

In Moodle werden die Abgaben zum Projekt hochgeladen. Bitte nutzen Sie auch das dortige Forum (oder das d120 Forum) um sich in Gruppen zu je 3 Personen zusammenzufinden.

 

Klausur

Der Klausurtermin wird später bekannt gegeben.

 

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.

Alte Klausuren

 

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

Weiterführende Veranstaltungen

Diese Vorlesung stellt den möglichen Beginn einer möglichen Spezialisierung in den Bereichen Maschinelles Lernen, Data Science, oder Künstlichen Intelligenz dar. Mehr Informationen zu entsprechenden Lehrveranstaltungen an der TU Darmstadt finden Sie hier.

Kontakt
small ke-icon

Knowledge Engineering Group

Fachbereich Informatik
TU Darmstadt

S2|02 D203
Hochschulstrasse 10

D-64289 Darmstadt

Sekretariat:
Telefon-Symbol +49 6151 16-21811
Fax-Symbol +49 6151 16-21812
E-Mail-Symbol info@ke.tu-darmstadt.de

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