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)