Maschinelles Lernen und Data Mining im SS 2013
Aktuelles
- Die Übungen finden ab nun im Rechnerraum Gobi (neben der Caféte) statt.
- Die Anmeldung zur Vorlesung und Übung ist nun über Uniworx möglich
Inhalt
Ziel des Maschinellen Lernens ist die Entwicklung von Methoden zur Realisierung lernfähiger technischer Systeme. In der Vorlesung werden die wichtigsten Zweige des Maschinellen Lernens vorgestellt:
- Beim überwachten Lernen werden basierend auf vorhandenen Beispieldaten Systeme zur Klassifikation und zur Modellierung funktioneller Abhängigkeiten trainiert (typische Vertreter: Neuronales Netz, Support Vector Machine).
- Das Ziel des unüberwachten Lernens ist es, autonom relevante Strukturen in Daten zu finden (typische Vertreter: Cluster Analyse, Independent Component Analyse).
- Kausal Probabilistische Netze (Bayesian Networks) stellen einen Rahmen zur Beschreibung und zum Erlernen von komplexen probabilistischen Abhängigkeiten dar, bis hin zur Analyse von Kausalität.
- Reinforcement Learning ist das wichtigste Lernverfahren zur Optimierung des Verhaltens von Agenten.
Datamining bezeichnet die Analyse von Datenbanken mit Methoden des Maschinellen Lernens und motiviert Forschungsaktivitäten mit neuen Anforderungen an Skalierbarkeit und Bedienbarkeit der Lösungen. Ein typisches Ziel ist die Nutzbarmachung von Kundendaten (Customer Relationship Management). In der Vorlesung werden eine Reihe von industriellen Anwendungen des Maschinellen Lernens, mit Schwerpunkt auf Anwendungen im Data Mining, vorgestellt.
Organisation
- Umfang: 3+2 Semesterwochenstunden
- Vorlesung: Prof. Dr. Volker Tresp
- Vorkenntnisse: Die Beherrschung mindestens einer Programmiersprache
- Übungen: Tobias Emrich
Zeit und Ort
| Veranstaltung | Zeit | Ort | Beginn |
|---|---|---|---|
| Vorlesung | Mi, 9.00 - 12.00 Uhr | Raum 061 (Oettingenstr. 67) | 17.04.2013 |
| Übung |
Do, 12.00 - 14.00 Uhr | Rechnerraum Gobi (neben der Caféte) |
25.04.2013 |
| |
Do, 14.00 - 16.00 Uhr | Rechnerraum Gobi (neben der Caféte) |
25.04.2013 |
Planung
| Vorlesung | Übung | ||
|---|---|---|---|
| Datum | Thema | Datum | Blatt |
| 17.04.13 | Einführung | 18.04.13 | entfällt |
| 24.04.13 | Das Perceptron / Wiederholung: Lineare Algebra / Lineare Regression | 25.04.13 | |
| 01.05.13 | entfällt | 02.05.13 | Blatt 1 (Daten: numberMatrix.RTable Lösungen: Lineare Algebra, Perzeptron |
| 08.05.13 | Basisfunktionen / Neuronale Netze | 09.05.13 | entfällt |
| 15.05.13 | Kerne / Wiederholung: Wahrscheinlichkeitslehre | 16.05.13 | Blatt 2 Lösung: Lineare Regression |
| 22.05.13 | Frequentistische Statistik und Bayes’sche Statistik / Lineare Klassifikatoren | 23.05.13 | Blatt 3 |
| 29.05.13 | Gastdozent: Ralph Grothmann Rekurrente Neuronale Netze und Zeitreihen | 30.05.13 | enfällt |
Übungsbetrieb
Zur Vertiefung der Vorlesung werden 2-stündige Übungen angeboten, in denen die vorgestellten Verfahren weiter erläutert und an praktischen Beispielen veranschaulicht werden. Da es sich mitunter um Programmieraufgaben handelt, ist eine vorherige Vorbereitung des aktuellen Übungsblattes erwünscht um Fragen diesbezüglich besser beantworten zu können.
Nützliche Links
- Unter http://www.die-informatiker.net bieten Münchner Informatiker ein Diskussionsforum für euch. Dort können Fragen von allgemeinem Interesse gestellt werden und finden oft auch eine Antwort. Wir begrüßen diese Initiative, übernehmen aber keinerlei Verantwortung für den Inhalt.
Vorhergehende Semester
SS 12, SS 11, SS 10, SS 09, SS 08, SS 07, SS 06, SS 05, SS 04
