Maschinelles Lernen und Data Mining
Wintersemester 2002 / 2003 (Beginn: 14.10.2002)
Montag: |
12:15 - 14.00 |
HG I, HS II |
Donnerstag: |
12:15 - 14:00 |
GB IV, HS 112 |
Inhalt
Maschinelles Lernen ist seit Bestehen eine der großen Herausforderungen
der Informatik.
-
Was bedeutet Lernen bei Programmsystemen?
-
Wie können Systeme sich selbst verbessern?
-
Was können Systeme lernen und wo sind die Grenzen der Lernbarkeit?
In den Bereichen
-
wissensbasierte Systeme,
-
Robotik,
-
adaptive Benutzerschnittstellen,
-
Wissensentdeckung in sehr grossen Datenbanken
gibt es bereits eine Reihe erfolgreicher Anwendungen maschinellen Lernens.
Viele unterschiedliche Lernaufgaben werden inzwischen automatisch gelöst.
Dabei werden Grundlagen aus unterschiedlichen Bereichen genutzt, vor allem
aus Statistik, Komplexitätstheorie und Logik.
In der Vorlesung werden Verfahren aus verschiedenen Paradigmen
des maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Ein
Skript
und Verweise auf ausgewählte Originalliteratur unterstützen die
Aufarbeitung des vorgetragenen Stoffes. Um das Wissen zu operationalisieren,
werden in den Übungen Lernverfahren angewandt, die in einer
JAVA-Bibliothek frei verfügbar sind (Ian H. Witten, Eibe Frank, 2000).
Skript
-
Katharina Morik, Stefan Wrobel, Thorsten Joachims 'Maschinelles Lernen
und Data Mining' in G. Görz, J. Schneeberger, C. Rollinger 'Handbuch
der KI', Oldenbourg Verlag,
2000
-
Tom Mitchell 'Machine Learning' McGraw-Hill 1997
-
Ian H. Witten, Eibe Frank 'Data Mining - Praktische Werkzeuge und Techniken
für das maschinelle Lernen' Hanser, 2000
Folien
Erster Teil (
ppt /
pdf)
Zweiter Teil (
ppt /
pdf)
Dritter Teil (
ppt /
pdf)
Vierter Teil (
ppt /
pdf)