Tuesday, February 01, 2005
Forschungsprojekte
Forschungsgelder Infos: Die elektronischen Antragsysteme des BMBF, BMWA, BMVEL und BMU
journal links
JCB: The JCB Computational Biology/Bioinformatics Library
JCB: The JCB Computational Biology/Bioinformatics Library: "The JCB Computational Biology / Bioinformatics Library"
Artificial Intelligence in Medicine
Artificial Intelligence in Medicine: "Artificial Intelligence in Medicine
Cover
ISSN 0933-3657
Volume 30-32
Published 9 times a year
Subscribe online!
Now available on ScienceDirect
Top 10 most popular articles downloaded from ScienceDirect between January - June 2004
2003 ISI Impact Factor 1.222 ranked 6th in Medical Informatics category
Artificial Intelligence in Medicine publishes original articles from a wide variety of interdisciplinary perspectives concerning the theory and practice of artificial intelligence (AI) in medicine, human biology, and health care."
Cover
ISSN 0933-3657
Volume 30-32
Published 9 times a year
Subscribe online!
Now available on ScienceDirect
Top 10 most popular articles downloaded from ScienceDirect between January - June 2004
2003 ISI Impact Factor 1.222 ranked 6th in Medical Informatics category
Artificial Intelligence in Medicine publishes original articles from a wide variety of interdisciplinary perspectives concerning the theory and practice of artificial intelligence (AI) in medicine, human biology, and health care."
Journal of Computational Biology
Journal of Computational Biology, 2003 (In press). Probabilistic Disease Classification of (ResearchIndex)
Journal of Computational Biology, 2003 (In press). Probabilistic Disease Classification of (ResearchIndex): "Journal of Computational Biology, 2003 (In press). Probabilistic Disease Classification of (Make Corrections)
Expression-Dependent Proteomic Data from Mass Spectrometry of Human Serum..."
Expression-Dependent Proteomic Data from Mass Spectrometry of Human Serum..."
Artificial Intelligence Review 13: 437--466, 1999. (ResearchIndex)
Artificial Intelligence Review 13: 437--466, 1999. (ResearchIndex): "Artificial Intelligence Review 13: 437-466, 1999 (Make Corrections)
Medical Data Mining on the Internet: Research on a Cancer Information System..."
Medical Data Mining on the Internet: Research on a Cancer Information System..."
JOURNAL: Springer - Data Mining and Knowledge Discovery
JOURNAL: IEEE Transactions on Knowledge and Data Engineering
JOURNAL: Kluwer Academic Publishers - Data Mining and Knowledge Discovery
Statistical Data Mining Tutorials
TextMining PDF
Maschinelles Lernen und Data Mining, WS2004/2005
Maschinelles Lernen und Data Mining, WS2004/2005: "Inhalt
Durch die Entwicklung der Informationstechnologie sind immer gr��ere Datenmengen verf�gbar. Diese enthalten oft implizites Wissen, das, wenn es bekannt w�re, gro�e wirtschaftliche oder wissenschaftliche Bedeutung h�tte. Data Mining ist ein Forschungsgebiet, das sich mit der Suche nach potentiell n�tzlichem Wissen in gro�en Datenmenge besch�ftigt, und Maschinelles Lernverfahren geh�ren zu den Schl�sseltechnologien innerhalb dieses Gebiets.
Die Vorlesung bietet eine Einf�hrung in das Gebiet des Maschinellen Lernens unter dem besonderen Aspekt das Data Minings. Es werden Verfahren aus verschiedenen Paradigmen des Maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Um das Wissen zu operationalisieren, werden in den �bungen praktische Erfahrungen mit Lernalgorithmen gesammelt.
* Einf�hrung (Grundbegriffe, Lernprobleme, Konzepte, Beispiele, Repr�sentation)
* Entscheidungsbaum-Lernen (ID3, C4.5, etc.)
* Hypothesenbewertungen (X-Validation)
* Regel-Lernen (Version Spaces, Covering Algorithms)
* Data Mining (Proze�modell)
* Pre-Processing (Feature Subset Selection, Diskretisierung, Sampling)
* Lernen von Assoziationsregeln (APRIORI)
* Ensemble-Methoden (Bagging, Boosting, Stacking)
* Reinforcement Learning (Q-learning, Game Playing)
* Bayessches Lernen (Naive Bayes)
* Instanzenbasierte Verfahren (kNN)
* Neuronale Netze
* Support Vector Machines
* Lerntheorie (Lernszenarios, prinzipielle Lernbarkeitsergebnisse, Induktive Inferenz, PAC-Lernen)
* Clustering (k-means, aggl. hier. Clustering)"
Durch die Entwicklung der Informationstechnologie sind immer gr��ere Datenmengen verf�gbar. Diese enthalten oft implizites Wissen, das, wenn es bekannt w�re, gro�e wirtschaftliche oder wissenschaftliche Bedeutung h�tte. Data Mining ist ein Forschungsgebiet, das sich mit der Suche nach potentiell n�tzlichem Wissen in gro�en Datenmenge besch�ftigt, und Maschinelles Lernverfahren geh�ren zu den Schl�sseltechnologien innerhalb dieses Gebiets.
Die Vorlesung bietet eine Einf�hrung in das Gebiet des Maschinellen Lernens unter dem besonderen Aspekt das Data Minings. Es werden Verfahren aus verschiedenen Paradigmen des Maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Um das Wissen zu operationalisieren, werden in den �bungen praktische Erfahrungen mit Lernalgorithmen gesammelt.
* Einf�hrung (Grundbegriffe, Lernprobleme, Konzepte, Beispiele, Repr�sentation)
* Entscheidungsbaum-Lernen (ID3, C4.5, etc.)
* Hypothesenbewertungen (X-Validation)
* Regel-Lernen (Version Spaces, Covering Algorithms)
* Data Mining (Proze�modell)
* Pre-Processing (Feature Subset Selection, Diskretisierung, Sampling)
* Lernen von Assoziationsregeln (APRIORI)
* Ensemble-Methoden (Bagging, Boosting, Stacking)
* Reinforcement Learning (Q-learning, Game Playing)
* Bayessches Lernen (Naive Bayes)
* Instanzenbasierte Verfahren (kNN)
* Neuronale Netze
* Support Vector Machines
* Lerntheorie (Lernszenarios, prinzipielle Lernbarkeitsergebnisse, Induktive Inferenz, PAC-Lernen)
* Clustering (k-means, aggl. hier. Clustering)"
