Tuesday, February 01, 2005
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)"
# posted by Dr. Martin Menzel @ 7:20 AM 
