Lehrende: Prof. Dr. rer. nat. Kristian Kersting
Veranstaltungsart:
Integrierte Veranstaltung
Orga-Einheit: FB20 Informatik
Anzeige im Stundenplan:
20-00-0052-vl
Fach:
Anrechenbar für:
Semesterwochenstunden:
4
Unterrichtssprache:
Deutsch
Min. | Max. Teilnehmerzahl:
- | -
Digitale Lehre:
Link zum Moodle-Kurs:
https://moodle.informatik.tu-darmstadt.de/course/view.php?id=1456
Lehrinhalte:
Dieser Kurs soll ein Grundverständnis zum Data Mining und Maschinellen Lernen vermitteln. Ausgehend von einer kurzen Geschichte der KI und einer Klärung, wie Data Mining/Maschinelles Lernen und KI zu einander stehen, werden die grundlegenden Lernaufgaben (Klassifikation, Regression, Clusteranalyse) und -settings (überwacht, unüberwacht, verstärkend) sowie Assoziationsregeln vorgestellt. Weiterhin werden verschiedene Modelltypen des maschinellen Lernens behandelt; von linearen Modellen, Baum-basierten Verfahren, Support-Vektor-Maschinen bis hin zu tiefen neuronalen Netzen. Ein weiterer Fokus wird darauf gelegt, wie diese Modelle evaluiert, in einem Ensemble kombiniert und die Wahl für eine Modell-Entscheidung begründet werden kann.
In der Übung wird der Stoff anhand von praktischen Aufgaben in Python vertieft. Theoretische Übungsaufgaben, die unter anderem auf die Annahmen und Limitierungen der Modelltypen abzielen, ergänzen dabei die Programmieraufgaben.
Themenübersicht:
- Überblick zum Maschinellen Lernen
- Datenanalyse-Zyklus (CRISP)
- K-nächste-Nachbarn (k-nearest neighbors)
- Kreuzvalidierung (cross validation)
- Überanpassung (overfitting)
- Bias-Varianz Tradeoff
- Klassifikation
- Regression
- Lineare Modelle
- Modell-Selektion und Evaluierung
- Baumbasierte Verfahren (decision trees)
- Ensemble Methoden (Bagging & Boosting)
- Naive Bayes
- Bayes'sche Netzwerke
- Support Vector Machines
- K-Means
- Deep Learning
- Multi-Layer Perceptron
- Convolutional Neural Networks
- Assoziationsregeln
Literatur:
• Mathematics for Machine Learning, Marc Peter Deisenroth et al., Cambridge University Press, 2020, [https://mml-book.github.io/](https://mml-book.github.io/)
[https://mbmlbook.com/](https://mbmlbook.com/)
• Ian H. Witten and Eibe Frank: Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan-Kaufmann, 2011
• Mitchell: Machine Learning, McGraw-Hill, 1997
Voraussetzungen:
• Mathematics for Machine Learning, Marc Peter Deisenroth et al., Cambridge University Press, 2020, https:/mml-book.github.io/](https://mml-book.github.io/)
https:/mbmlbook.com/](https://mbmlbook.com/)
• Ian H. Witten and Eibe Frank: Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan-Kaufmann, 2011
• Mitchell: Machine Learning, McGraw-Hill, 1997
|