Search:
Lehrstuhl  |  Institut  |  Fakultät  |  LMU
print

Maschinelles Lernen und Data Mining im SS 2013



Aktuelles

  • Die mündliche Nachprüfung findet am 09.10.13 im Raum 156 in der Oettingenstr. 67 statt. Wie schon bei der Hauptprüfung erfolgt die Anmeldung per Email an mit gewünschtem Zeitslot an Tobias Emrich. Noch verfügbare Zeiten:

09:30

12:20 13:20 13:40

  • Die mündliche Prüfung findet im Raum 156 in der Oettingenstr. 67 statt.
  • Die mündliche Prüfung wird nun am 31.07. stattfinden. Eine Nachprüfung wird am Ende der Semesterferien (vermutlich letzte Woche) stattfinden. Wer schon an der Prüfung am 31.07 teilnehmen will schreibe eine Email mit gewünschtem Zeitslot an Tobias Emrich. Noch verfügbare Zeiten:---
  • Die Übungen finden ab nun im Rechnerraum Gobi (neben der Caféte) statt.
  • Die Anmeldung zur Vorlesung und Übung ist nun über Uniworx möglich

Inhalt

Ziel des Maschinellen Lernens ist die Entwicklung von Methoden zur Realisierung lernfähiger technischer Systeme. In der Vorlesung werden die wichtigsten Zweige des Maschinellen Lernens vorgestellt:

  • Beim überwachten Lernen werden basierend auf vorhandenen Beispieldaten Systeme zur Klassifikation und zur Modellierung funktioneller Abhängigkeiten trainiert (typische Vertreter: Neuronales Netz, Support Vector Machine).
  • Das Ziel des unüberwachten Lernens ist es, autonom relevante Strukturen in Daten zu finden (typische Vertreter: Cluster Analyse, Independent Component Analyse).
  • Kausal Probabilistische Netze (Bayesian Networks) stellen einen Rahmen zur Beschreibung und zum Erlernen von komplexen probabilistischen Abhängigkeiten dar, bis hin zur Analyse von Kausalität.
  • Reinforcement Learning ist das wichtigste Lernverfahren zur Optimierung des Verhaltens von Agenten.

Datamining bezeichnet die Analyse von Datenbanken mit Methoden des Maschinellen Lernens und motiviert Forschungsaktivitäten mit neuen Anforderungen an Skalierbarkeit und Bedienbarkeit der Lösungen. Ein typisches Ziel ist die Nutzbarmachung von Kundendaten (Customer Relationship Management). In der Vorlesung werden eine Reihe von industriellen Anwendungen des Maschinellen Lernens, mit Schwerpunkt auf Anwendungen im Data Mining, vorgestellt.


Organisation


Zeit und Ort

Veranstaltung Zeit Ort Beginn
Vorlesung Mi, 9.00 - 12.00 Uhr Raum 061 (Oettingenstr. 67) 17.04.2013
Übung
Do, 12.00 - 14.00 Uhr Rechnerraum Gobi (neben der Caféte)
25.04.2013

Do, 14.00 - 16.00 Uhr Rechnerraum Gobi (neben der Caféte)
25.04.2013

Planung

Vorlesung Übung
Datum Thema Datum Blatt
17.04.13 Einführung 18.04.13 entfällt
24.04.13 Das Perceptron / Wiederholung: Lineare Algebra / Lineare Regression 25.04.13

optional: R-Einführung (Sourcen)

01.05.13 entfällt 02.05.13 Blatt 1
(Daten: numberMatrix.RTable
Lösungen: Lineare Algebra, Perzeptron
08.05.13 Basisfunktionen / Neuronale Netze 09.05.13 entfällt
15.05.13 Kerne / Wiederholung: Wahrscheinlichkeitslehre 16.05.13 Blatt 2
Lösung: Lineare Regression
22.05.13 Frequentistische Statistik und Bayes’sche Statistik 23.05.13 Blatt 3
29.05.13 Gastdozent: Ralph Grothmann
Rekurrente Neuronale Netze und Zeitreihen (Passwortgeschützt)
30.05.13 enfällt
05.06.13 Lineare Klassifikatoren 06.06.13 Blatt 4
Lösung: Standard-normalverteilung
12.06.13 Support Vector Machines 13.06.13 Blatt 5
R-Lösungen body_sizes.txt, 5-1 und 5-2
19.06.13 entfällt 20.06.13 entfällt
26.06.13 Modellvergleich 27.06.13 Blatt 6

Lösungen: 6-1 und 6-2

03.07.13 Hauptkomponentenanalyse 04.07.13 Blatt 7

Lösung: 7-1

10.07.13 Instanzbasiertes Lernen 11.07.13 Blatt 8

Lösung: 8-x


Übungsbetrieb

Zur Vertiefung der Vorlesung werden 2-stündige Übungen angeboten, in denen die vorgestellten Verfahren weiter erläutert und an praktischen Beispielen veranschaulicht werden. Da es sich mitunter um Programmieraufgaben handelt, ist eine vorherige Vorbereitung des aktuellen Übungsblattes erwünscht um Fragen diesbezüglich besser beantworten zu können.

Nützliche Links

  • Unter http://www.die-informatiker.net bieten Münchner Informatiker ein Diskussionsforum für euch. Dort können Fragen von allgemeinem Interesse gestellt werden und finden oft auch eine Antwort. Wir begrüßen diese Initiative, übernehmen aber keinerlei Verantwortung für den Inhalt.



Vorhergehende Semester

SS 16, SS 15, SS 14, SS 13, SS 12, SS 11, SS 10, SS 09, SS 08, SS 07, SS 06, SS 05, SS 04

blank