DE

Event

Knowledge Discovery [WS222511302]

Type
lecture (V)
Präsenz
Term
WS 22/23
SWS
2
Language
Englisch
Appointments
29
Links
ILIAS

Lecturers

Organisation

  • Web Science

Part of

Literature

  • T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (http://www-stat.stanford.edu/~tibs/ElemStatLearn/)
  • T. Mitchell. Machine Learning. 1997
  • M. Berhold, D. Hand (eds). Intelligent Data Analysis - An Introduction. 2003
  • P. Tan, M. Steinbach, V. Kumar: Introduction to Data Mining, 2005, Addison Wesley

Appointments

  • 24.10.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 26.10.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 31.10.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 02.11.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 07.11.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 09.11.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 14.11.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 16.11.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 21.11.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 23.11.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 28.11.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 30.11.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 05.12.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 07.12.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 12.12.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 14.12.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 19.12.2022 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 21.12.2022 09:45 - 11:15 - Room: 05.20 1C-01
  • 09.01.2023 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 11.01.2023 09:45 - 11:15 - Room: 05.20 1C-01
  • 16.01.2023 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 18.01.2023 09:45 - 11:15 - Room: 05.20 1C-01
  • 23.01.2023 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 25.01.2023 09:45 - 11:15 - Room: 05.20 1C-01
  • 30.01.2023 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 01.02.2023 09:45 - 11:15 - Room: 05.20 1C-01
  • 06.02.2023 09:45 - 11:15 - Room: 30.35 Hochspannungstechnik-Hörsaal (HSI)
  • 08.02.2023 09:45 - 11:15 - Room: 05.20 1C-01
  • 15.02.2023 09:45 - 11:15 - Room: 05.20 1C-01

Note

Die Vorlesung gibt einen Überblick über Ansätze des maschinellen Lernens und Data-Mining zur Wissensgewinnung aus großen Datenbeständen. Diese werden besonders in Hinsicht auf Algorithmen, Anwendbarkeit auf verschiedene Datenrepräsentationen und den Einsatz in realen Anwendungsszenarien hin untersucht.
Knowledge Discovery ist ein etabliertes Forschungsgebiet mit einer großen Gemeinschaft, welche Methoden zur Entdeckung von Mustern und Regelmäßigkeiten in großen Datenmengen, einschließlich unstrukturierten Texten, untersucht. Eine Vielzahl von Verfahren existieren, um Muster zu extrahieren und bisher unbekannte Erkenntnisse zu liefern. Diese Informationen können prädiktiv oder beschreibend sein.
Die Vorlesung gibt einen Überblick über Knowledge Discovery. Es werden spezifische Techniken und Methoden, Herausforderungen und aktuelle und zukünftige Forschungsthemen in diesem Forschungsgebiet vermittelt.
Inhalte der Vorlesung umfassen den gesamten Machine-Learning- und Data-Mining-Prozess mit Themen zu überwachten sowie unüberwachten Lernverfahren und empirischer Evaluation. Behandelte Lernverfahren reichen von klassischen Ansätzen wie Entscheidungsbäumen, Support-Vector-Machines und neuronalen Netzen bis hin zu ausgewählten Ansätzen aus der aktuellen Forschung. Betrachtete Lernprobleme sind u.a. featurevektor-basiertes Lernen und Text Mining.

Lernziele:

Studierende

  • kennen die Grundlagen des Maschinellen Lernen, Data Minings und Knowledge Discovery.
  • können lernfähige Systeme, konzipieren, trainieren und evaluieren.
  • führen Knowledge Discovery Projekte unter Berücksichtigung von Algorithmen, Repräsentationen and Anwendungen durch.

Arbeitsaufwand:

  • Gesamtaufwand bei 4,5 Leistungspunkten: ca. 135 Stunden
  • Präsenzzeit: 45 Stunden
  • Vor- und Nachbereitung der LV: 60 Stunden
  • Prüfung und Prüfungsvorbereitung: 30 Stunden