Doz. Dr. Alexander Hinneburg

Die TeilnehmerInnen sollen befähigt werden, Konzepte des maschinellen Lernes zu verstehen und praktisch auf Fragestellungen des Data-Mining anzuwenden und die Ergebnisse zu bewerten.

Die Veranstaltung gibt zuerst einer Einführung in die probabilistische Modellierung und stellt dann überwachte und unüberwachte Methoden des maschinellen Lernens vor. Die Methoden werden auf Data- und Text-Mining-Fragestellungen praktisch angewandt. Im letzten Teil werden Methoden aus der aktuellen Forschung zu maschinellem Lernen behandet.
1.Grundlagen der probabilistischen Modellierung
2.Überwachte Lernmethoden
3.Unüberwachte Lernmethoden
4.Anwendung auf Data- und Text-Mining-Fragestellungen
5.Evaluationsmethoden
6.Methoden aus der aktuellen Forschung zu maschinellem Lernen
Studierende sollen durch dieses Modul folgende Kompetenzen erwerben:
%u2022 Sie kennen die Grundlagen der probabilistischen Modellierung und können diese Methoden auf Probleme des maschinellen Lernes anwenden.
%u2022 Sie verstehen Bayessche Netzwerke und können diese Netzwerke in Verbundverteilungen übersetzen. Ebenso können sie probabilistische Eigenschaften direkt aus den Netzwerken ableiten.
%u2022 Sie kennen approximative Methoden, um Posterior-Verteilungen von versteckten Variablen in Bayesschen Netzwerken zu schätzen und können diese Methoden selbstständig auf gegebene Modelle anwenden.
%u2022 Sie kennen Evaluationsmethoden für Modelle des maschinellen Lernens und können diese Methoden auf konkrete Problemstellungen anwenden.
%u2022 Sie können passende Modelle des maschinellen Lernens für konkrete Data-Mining Problemstellungen auswählen und derer Eigenschaften einschätzen.
%u2022 Sie können Forschungsartikel aus dem Bereich Maschinelles Lernen und Data Mining verstehen und Ergebnisse aus diesen Artikeln reproduzieren.

Vertiefendes Modul der Vertiefungsrichtung "Datenbanken und Data Mining", Basismodul der Vertierungsrichtung "eHumanities"

Aktive Mitarbeit: es müssen 75% der Arbeitsblätter für die Vorlesung, 75% der praktischen Übungen sinnvoll bearbeitet, drei von vier Zwischentests bestanden und ein Vortrag über das Projekt gehalten werden.

Bericht