Lerninhalte |
Inhalte der Vorlesung "Maschinelles Lernen und Datamining":
- Einführung (Was ist Lernen?, Repräsentationsformen, Aufgabenstellungen, Datamining)
- Datenaufbereitung (Skalen, Relationen, Konvertierung, Ausreißer, Imputation)
- Visualisierung (PCA, MDS, SOFM, NMF, ICA, Hauptflächen, Faktoranalyse; visuelle Datenerkundung)
- Kategorisierung (Versionenraum, Loglinearmodelle, Bayesregel, Entscheidungsbäume)
- Gruppierung (Hierarchische, relationale, konzeptuelle & spektrale Gruppierung, (fuzzy) K-means, EM/GMM/PPCA)
- Abhängigkeiten (Korrelation, Assoziation, Dependenzmodelle, Bayesnetze, Markovnetze, Lernen und Schließen)
|