Lehrpersonen

Dozent(in)

• Prof. Dr.-Ing. Norbert Fuhr

Formalia

Zielgruppe

• DAI Hauptstudium mit 4 Kreditpunkten : Bereich "D"
• ISE Master mit 4 Kreditpunkten

Termine

Beschreibung

Data Mining bedeutet Extrahieren von impliziten, noch unbekannten Informationen aus Rohdaten. Dazu sollten Computer in die Lage versetzt werden, Datenbanken automatisch nach Gesetzmäßigkeiten und Mustern zu durchsuchen und einen Abstraktionsprozess durchzuführen, der als Ergebnis aussagekräftige Informationen liefert. Das maschinelle Lernen stellt dafür die Werkzeuge und Techniken zur Verfügung.

Gliederung der Vorlesung

1. Eingabe: Konzepte, Instanzen, Attribute
2. Ausgabe: Wissensrepräsentation
3. Algorithmen: Die grundlegenden Methoden
4. Glaubwürdigkeit: Auswertung des Gelernten
5. Implementierung: Maschinelles Lernen in der Praxis
6. Aufbereitung der Ein- und Ausgabe
7. Algorithmen des maschinellen Lernens in Java

Folien

1. Kapitel 1: ppt pdf
2. Kapitel 2: ppt pdf
3. Kapitel 3: ppt pdf
4. Kapitel 4: sxi pdf --- Bayes'sche Netzwerke: sxi pdf
5. Kapitel 5: ppt pdf
6. Kapitel 6: sxi pdf
7. Kapitel 7
8. Wiederholung

Mitschriften

• 26.10.05
• 09.11.05
• 16.11.05
• 14.12.05
• 21.12.05
• 11.01.06
• 18./25.01.06
• 01.02.06

Übungsaufgaben und Prüfungsfragen

• Beispiel-Übungsaufgaben finden sich hier.
• Beispiel-Fragen für die mündliche Prüfung
  (beachten Sie hierzu auch die Wiederholungs-Folien)

Begleitmaterial

Die Vorlesung basiert auf dem Lehrbuch `Data Mining' von Ian Witten und Eibe Frank (siehe auch die Informationen zur englischsprachigen Originalfassung).