Data Mining und Maschinelles Lernen

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