Readspeaker Menü

Maschinelles Lernen und Datamining

Dr. Paul Bodesheim

Semester

jedes Wintersemester

Inhalt

  • Einführung: Was ist Lernen?, Repräsentationsformen, Aufgabenstellungen, Datamining
  • Datenaufbereitung: Skalen, Relationen, Konvertierung, Ausreißer, Imputation
  • Visualisierung: PCA, MDS, SOFM, NMF, ICA, Hauptflächen, Faktoranalyse, visuelle Datenerkundung
  • Kategorisierung: Versionenraum, Loglinearmodelle, Bayesregel, Entscheidungsbäume
  • Gruppierung: hierarchische, relationale, konzeptuelle und spektrale Gruppierung, (fuzzy) K-means, EM, GMM, PPCA
  • Abhängigkeiten: Korrelation, Assoziation, Dependenzmodelle, Bayesnetze, Markovnetze, Lernen und Schließen


Die Vorlesung wird sich primär mit der Behandlung von Lernverfahren für Anwendungen im Gebiet Datamining befassen. Zentrale Themen der Veranstaltung sind insbesondere konzeptuelles Lernen & Clustering, hierarchische Klassifikation (Entscheidungsbäume), sowie graphische Modellierung (Markov- und Bayesnetze).

Vorkenntnisse aus der Vorlesung "Mustererkennung" werden empfohlen, sind aber keine zwingende Voraussetzung.

Die Lehrveranstaltung richtet sich primär an Studierende der Masterstudiengänge Informatik, Bioinformatik, Computational Science, und des Lehramts Informatik an Gymnasien (FS 5-9).