EventoWeb

Das Modul führt in die Grundprinzipien des Statistischen Data Mining ein. Es werden Methoden aus dem überwachten und unüberwachten Lernen behandelt und an konkreten Fallbeispielen angewendet.

Helmut Grabner 

Unüberwachtes Lernen

• Ähnlichkeits- und Distanzmasse, Ausreisserdetektion
• ​Eine Auswahl bekannter Methoden zur Datenreduktion, wie Principal Component Analysis (PCA), Multidimensional scaling, t-SNE 
• Eine Auswahl bekannter und moderner Clustering-Methoden, wie k-means Clustering und hierarchical Clustering

Überwachtes Lernen

• Grundlagen, Modellselektierung, Cross-Validation
• Auswertung und Performance Evaluation von Klassifikatoren
• Eine Auswahl bekannter und moderner Methoden, wie Bayes Classifier, Nearest Neighbor Classifier (NN), k-NN, Support Vector Machines, Logistic Regression, Decision Trees und Random Forest
• Ensemble Methoden (Bagging und Boosting)

• Foliensätze
• ​Arbeitsblätter und / oder jupyter Notebooks fürs Praktikums

• Duda, Hart, Stork, Pattern Classification, 2001, 2nd Edition
• James, Witten, Hastie and Tibshirani, An Introduction to Statistical Learning, 2013

Die genaue Vorgehensweise des Leistungsnachweises wird von dem Dozenten zu Beginn der Vorlesung schriftlich kommuniziert.