Hauptnavigation

Übung zu Maschinelles Lernen

Allgemeines

Auf dieser Seite werden die Übungsblätter und Vorlesungsfolien zur Verfügung gestellt. Außerdem finden sich hier Informationen zur Nutzung des Lehre-Plugins für RapidMiner.

Neuigkeiten

22.10.2013: Ergänzung auf der Software-Seite, um einige bekannte Probleme mit RapidMiner und dem Lehre-Plugin zu beheben.

29.10.2013: Für den aktuellen Übungszettel kann es sich lohnen, die Klasse PseudoClassification anzuschauen, da dort einige Grundprinzpien bezüglich RapidMiner als Beispielcode vorliegen, z.B. wie man über ein ExampleSet iteriert oder das Label-Attribut ausließt.

12.11.2013: Neues Abgabesystem ist jetzt verfügbar, bitte beachten Sie den Abschnitt "Abgabe der Übungsaufgaben".

19.11.2013: Für Blatt 5 benötigen Sie die Series Extension von RapidMiner. Gehen sie dazu in RapidMiner unter "Help" auf "Marketplace" und suchen und installieren Sie dort die "Series Extension".

09.01.2014: Die Übung heute fällt krankheitsbedingt leider aus!

23.01.2014: Eine Einführung zu Conditinal Random Fields, aus dem Uninetz einsehbar. (Danke an Christian für den Hinweis)

Termine

Die Übung findet Donnerstags im Raum 104 der OH 14 statt, von 14:15 bis 16:00 Uhr.

Software

Informationen zur Installation und Nutzung von RapidMiner bzw. des Lehre-Plugins finden sich auf dieser Seite

Übungsblätter und Begleitmaterialien

Abgabe der Übungsaufgaben

Zur Abgabe der Übungsaufgaben steht für jeden ein SVN-Ordner unter https://www-ai.cs.tu-dortmund.de/svn2/mlv_abgabe_1314/vorname_nachname bereit. Bitte laden Sie dort im jar-Ordner die jeweils aktuellste Version ihres Plugins hoch, und legen Sie im Blaetter-Ordner für das jeweilige Übungsblatt einen Ordner an, in dem Sie ihre Texte und/oder geänderten Soure-Code Files hochladen können. Falls sie noch keine Mail mit Informationen zu Ihrem Account bekommen haben, schreiben sie bitte eine Mail an Jan Czogalla oder Daniel Smit.

Vorlesungsfolien

Die nachfolgende Liste der Vorlesungsfolien wird fortlaufend aktualisiert. Die Auflistung garantiert keine Vollständigkeit und ist nicht als Grundlage für Prüfungsvorbereitungen, sondern lediglich als Erinnerung/Überblick zu verstehen.

Datum Themen Folien
15.10.2013 Einführung 1 - MLV Intro
22.10.2013 k Nearest Neighbours 2 - kNN
29.10.2013 Bias, Varianz 3 - Bias und Varianz
05.11.2013 SVM, Maximum Margin 4.1 - Einführung zur SVM
12.11.2013 weiche SVM, Kernfunktionen 4.2 - SVM: Kernfunktionen, Regularisierung
26.11.2013 SMO, MEB 4.4 - SVM: Optimierungsproblem und Minimum Enclosing Ball
03.12.2013 Webmining, Textklassifikation 4.3 - SVM: Webmining und Textklassifikation
17.12.2013 SVM Struct, Primales/duales Problem 5.1 - SVM Struct
07.01.2014 Graphische Modelle, CRF 5.2 - Conditional Random Fields
14.01.2014 Additive Modelle, Baumlerner 6 - Additive Modelle
28.01.2014 Cluster Analyse, kMeans, Hierarchisches Clustering 7 - Cluster Analyse
28.01.2014 Cluster Ensembles, Subspace Clustering, Distributed Clustering 7 - Clustering
28.01.2014 Clustering verteilter Daten, LACE, Musik als Daten 8 - LACE
04.02.2014 Subgruppenentdeckung, Sampling, Knowledge Based Sampling 9 - Subgruppenentdeckung

Zurück zur Vorlesungsseite