Hauptnavigation

Maschinelles Lernen

Veranstaltung Wochentag Uhrzeit Ort
Vorlesung Montag 14:15 - 15:45 Uhr OH 14 - 304
Uebung Montag 16:15 - 17:45 Uhr OH 14 - 304

Inhalt:

Kaum ein Teilgebiet der Künstlichen Intelligenz hat sich so rasant entwickelt wie das maschinelle Lernen, dessen internationale Tagungen von jeweils mehr als 300 Interessierten besucht werden, dessen Methoden in vielen erfolgreichen Programmen (z.B. Google, Amazon) integriert sind und dessen Ergebnisse für viele wendungen (z.B. Marketing, Medizin) erfolgreich genutzt werden. Dabei ist das Gebiet theoretisch wohl fundiert mit Bezug auf Statistik und Logik.

Die Vorlesung behandelt die Lernaufgaben

  • - Klassifikation
  • - Subgruppenentdeckung
  • - Merkmalsauswahl und -extraktion
  • - Clustering.

Dabei werden verschiedene Methoden (Klassen von Algorithmen) mit ihrem jeweiligen theoretischen Hintergrund vorgestellt:

  • - Lernen von Entscheidungsbäumen
  • - Induktive logische Programmierung
  • - Entdeckung häufiger Mengen (frequent set mining)
  • - Stützvektormethode (support vector machines)
  • - Genetische Programmierung, Evolutionsstrategie
  • - kMeans clustering
  • - verteiltes clustering

In den Übungen werden zum einen für ein besseres Verständnis Algorithmen nachimplementiert, zum anderen gegebene Algorithmen auf Datensätze angewandt und die Ergebnisse evaluiert.

Literatur:

  • Trevor Hastie, Robert Tibshirani, and Jerome Friedman The Elements of Statistical Learning: Data Mining, Inference and Prediction Springer, 2009. 978-0-387-84858-7. https://statweb.stanford.edu/~tibs/ElemStatLearn/
  • Jure Leskovec, Anand Rajaraman, and Jerey D. Ullman Mining of Massive Datasets, 2nd Ed Cambridge University Press, 2014. 978-1107077232. http://www.mmds.org/#book

Folien & Übungen:

Zu Beginn der ersten Vorlesung wird ein entsprechender Moodle-Raum freigeschaltet, wo die Folien und Uebungsblaetter hochgeladen werden.