Maschinelles Lernen und Data Mining

Ludwig-Maximilians-Universität München
Institut für Informatik
Lehr- und Forschungseinheit für Datenbanksysteme

University of Munich
Institute for Computer Science
Database and Information Systems

Vorlesung Maschinelles Lernen und Data Mining im SS 2004

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.

Bereich: I

Umfang: 2 Semesterwochenstunden

Voraussetzung: Grundstudiumsvorlesungen der Informatik

Vorlesung: Dr. Volker Tresp

Veranstaltung	Zeit	Ort	Beginn
Vorlesung	Di, 8.00 - 10.00 Uhr	Raum 1.31 (Oettingenstr. 67)	20.04.2004

Unterlagen zur Vorlesung

Bei Problemen oder Vorschlägen wenden Sie sich bitte an: wwwmaster@dbs.informatik.uni-muenchen.de
Last Modified: