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