Maschinelles Lernen und Datamining
Semester

jedes Wintersemester

Inhalte
  • Einführung: Was ist Lernen?, Repräsentationsformen, Aufgabenstellungen, Datamining
  • Datenaufbereitung: Skalen, Relationen, Konvertierung, Ausreißer, Imputation
  • Visualisierung: PCA, MDS, SOFM, NMF, ICA, Hauptflächen, Faktoranalyse, visuelle Datenerkundung
  • Kategorisierung: Versionenraum, Loglinearmodelle, Bayesregel, Entscheidungsbäume
  • Gruppierung: hierarchische, relationale, konzeptuelle und spektrale Gruppierung, (fuzzy) K-means, EM, GMM, PPCA
  • Abhängigkeiten: Korrelation, Assoziation, Dependenzmodelle, Bayesnetze, Markovnetze, Lernen und Schließen

Die Vorlesung wird sich primär mit der Behandlung von Lernverfahren für Anwendungen im Gebiet Datamining befassen. Zentrale Themen der Veranstaltung sind insbesondere konzeptuelles Lernen & Clustering, hierarchische Klassifikation (Entscheidungsbäume), sowie graphische Modellierung (Markov- und Bayesnetze).

Vorkenntnisse aus der Vorlesung “Mustererkennung” werden empfohlen, sind aber keine zwingende Voraussetzung.

Moduldaten

Wahlpflichtmodul für den B.Sc. Informatik
Wahlpflichtmodul für den M.Sc. Bioinformatik
Wahlpflichtmodul “Maschinelles Lernen” (6LP) für den M.Sc. Informatik
Wahlpflichtmodul für den M.Sc. Computational and Data Science
Wahlpflichtmodul für Informatik Lehramt Regelschule
Wahlpflichtmodul für Informatik Lehramt Gymnasium