Veranstaltung

• T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (http://www-stat.stanford.edu/~tibs/ElemStatLearn/)
• T. Mitchell. Machine Learning. 1997
• M. Berhold, D. Hand (eds). Intelligent Data Analysis - An Introduction. 2003
• P. Tan, M. Steinbach, V. Kumar: Introduction to Data Mining, 2005, Addison Wesley

Die Übungen orientieren sich an der Vorlesung Knowledge Discovery. Mehrere Übungen werden abgehandelt, welche die Themen, die in der Vorlesung Knowledge Discovery behandelt werden, aufgreifen und im Detail besprechen. Dabei werden den Studierenden praktische Beispiele demonstriert, um einen Wissenstransfer der gelernten theoretischen Aspekte in die praktische Umsetzung zu ermöglichen.
Inhalte der Vorlesung umfassen den gesamten Machine-Learning- und Data-Mining-Prozess mit Themen zu überwachten sowie unüberwachten Lernverfahren und empirischer Evaluation. Behandelte Lernverfahren reichen von klassischen Ansätzen wie Entscheidungsbäumen, Support-Vector-Machines und neuronalen Netzen bis hin zu ausgewählten Ansätzen aus der aktuellen Forschung. Betrachtete Lernprobleme sind u.a. featurevektor-basiertes Lernen und Text Mining.

Lernziele:

Studierende

• kennen die Grundlagen des Maschinellen Lernen, Data Minings und Knowledge Discovery.
• können lernfähige Systeme, konzipieren, trainieren und evaluieren.
• führen Knowledge Discovery Projekte unter Berücksichtigung von Algorithmen, Repräsentationen and Anwendungen durch.