|
Lehrende: Dr. Cornelius Andreas Stefan Weber
Veranstaltungsart:
Vorlesung
Anzeige im Stundenplan:
DAIS-VL
Semesterwochenstunden:
4
Unterrichtssprache:
Englisch
Min. | Max. Teilnehmerzahl:
- | 100
Weitere Informationen:
Dear Students, due to the coronavirus the lecture will NOT be held on campus; please
ignore the given room numbers.
The lecture will be provided online via script and video. Please check this STiNE page
for further announcements. This will happen on Monday 20. April onwards.
Kommentare/ Inhalte:
Große Datenmengen umgeben uns im täglichen Leben und erfordern es, Informationen systematisch zu akquirieren, zu analysieren und zu verarbeiten, um Wissen zu gewinnen und zu verstehen. Data-driven Intelligent Systems beschäftigen sich mit dem Gewinnen von Wissen und Entscheidungsvorschlägen aus diesen Daten. Diese haben eine enorme Bedeutung für interdisziplinäre Gebiete, z.B. Mensch-Computer-Interaktion, Assistenzsysteme, Kognitive Neurowissenschaften, und sind zunehmend relevant für die Wirtschaft. In dieser Vorlesung werden Methoden, Konzepte und Algorithmen zur Wissensgewinnung behandelt. Im Kern werden Methoden aus dem Maschinellen Lernen, der Statistik und den Neuronalen Netzen behandelt, die dem Data Scientist verwertbare Repräsentationen aus Texten, Sprache, Bildern oder anderen Daten liefern. Themen sind u.a:
• Vorverarbeitung und Visualisierung von Daten
• Wissensmanagement und Assoziationsregeln
• Wissensbäume und Entscheidungsregeln
• Überwachtes Lernen: Neuronale Netze, Deep Learning
• Unüberwachtes Lernen: Selbst-organisierte Netze, Clusteralgorithmen
• Intelligente Agenten: Verstärkungslernen (Reinforcement Learning) und Planen
• Ensemble Lernen und Hybride Systeme
• Bayes Netze und Hidden Markov Modelle
• Text Mining, Sensor Mining und andere Anwendungen
Lernziel:
Data-driven Intelligent Systems umfasst Konzepte von Information und Wissen. Die Studierenden lernen auf algorithmischer Basis, wie man mit großen Datenmengen umgeht, d.h. deren Aufbereitung und Analyse, sowie verschiedene Visualisierungsmöglichkeiten und schließlich die Interpretation von Daten zur Wissensakquisition und Entscheidungsfindung. Die Studierenden erlernen komplexe Fragestellungen zu modellieren, vielseitige Lösungsansätze praktisch umzusetzen und mit systematischen Methoden wissenschaftlich zu arbeiten.
Vorgehen:
Zu den Vorlesungen gibt es die praxisorientierten Übungen Data-driven Intelligent Systems, in denen die Inhalte aus den Vorlesungen geübt und an Beispielen selbst umgesetzt werden.
Sprache:
Die Vorlesung wird in Englisch angeboten, um den Teilnehmern eine gute Gelegenheit zu geben, Erfahrungen mit der Standardsprache in der Wissenschaft und dem Engineering zu sammeln. Wir bieten dazu die Praktischen Übungen in Englisch oder Deutsch an, um den Teilnehmern den besten Zugang zu bieten. Dazu werden wir die Teilnehmer sowohl mit der Sprache als auch mit dem Inhalt so gut unterstützen wie wir können. Deutschsprachige Diskussionen sind selbstverständlich zu jeder Zeit willkommen.
Literatur:
- Kantardzic, M. Data Mining. Wiley, 2011.
- Han J. & Kamber, M. Data Mining: Concepts and Techniques. Elsevier/Morgan Kaufmann, Amsterdam, 2006.
- Marsland, S. Machine Learning - An Algorithmic Perspective. CRC Press, 2009.
Zusätzliche Hinweise zu Prüfungen:
Die Prüfung findet in Form einer Klausur statt. Klausurtermine werden zu Beginn und zum Ende der vorlesungsfreien Zeit angeboten.
|
