Maschinelles Lernen und Data Mining sind existenzielle Bausteine erfolgreicher Datenprodukte und Datenanalyseprojekte.
In diesem Modul lernen Sie Voraussetzungen für dessen Einsatz und verschiedene wichtige Methoden des maschinellen Lernens kennen. Es werden theoretische Grundlagen, aber auch praktische Umsetzungen der Methoden gelehrt.

Mark Cieliebak (ciel)

Die Digitalisierung von Prozessen und Umgebungen stellt Informatiker vor neue Herausforderungen. Die Softwareentwicklung steht hierbei nicht mehr im Vordergrund, sondern die fachgerechte Verarbeitung und Analyse von verschiedenen Datenarten und Mengen. Hierzu ist es unerlässlich, einen gewissen Grunderfahrungsschatz im Bereich der Datenanalyse und ihrer wichtigsten Methoden aus dem Bereich des maschinellen Lernens zu besitzen.
Dieses Modul bietet eine praktische Einführung in elementares Data Mining mittels Methoden des maschinellen Lernens. Der Fokus liegt hierbei auf einem Überblick und sauberer Methodik; Beweise und Details der Verfahren werden späteren Kursen überlassen. Das Gelernte wird von Teilnehmenden selbständig anhand praktischer Arbeiten vertieft.

Begleitende Praktika

Die Vorlesung wird begleitet durch praktische Übungen an realen Datensätzen mittels Python und verwandten Tools und Bibliotheken.

• Skript
• Vorlesungsfolien
• Material zu den Praktika

• ​Ian H. Witten, Eibe Frank, “Data Mining – Practical Machine Learning Tools and Techniques”, 4^th Edition, Elsevier, 2016.

• Programmierung 1&2: Sichere Beherrschung einer höheren prozeduralen oder objekt-orientierten Programmiersprache
• Lineare Algebra: Vektor- und Matrixrechnung, inverse Matrix, Eigenwertzerlegung
• Statistik und Stochastik: Grundlagen der Wahrscheinlichkeitsrechnung, Verteilungen, Korrelation
• Algorithmen und Datenstrukturen: Algorithmisches Denken