Knowledge Discovery (Vorlesung)

Erster Veranstaltungstag:

Dienstag, 20. April 2004 in Raum 1332

Vorlesungen:

Mittwochs, 12 Uhr s.t. in Raum 1332

Übungen:

ab Mittwoch, 12. Mai 2004, wöchentlich um 14 Uhr s.t. in Raum -1606

Vorkenntnisse:

Informatik Grundstudium

Angesprochener HörerInnenkreis:

Inf. Hauptstudium, Math. NF Inf. Hauptstudium

Leistungsnachweis:

mündliche Prüfung oder Klausur, je nach Teilnehmerzahl

Veranstalter:

Prof. Dr. Gerd Stumme, Dipl.-Wi.-Inf. Andreas Hotho

Inhalt:

Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Behandelt werden

• Techniken zur Vorverarbeitung und Integration von Datenbeständen, wozu das Konzept des Data Warehouse gehört,
• OLAP-Techniken für die interaktive Analyse großer Datenbestände,
• (halb-)automatische Verfahrung zur Gewinnung neuen Wissens aus strukturierten Daten und
• Methoden zur Wissensextraktion aus Texten.

Der Schwerpunkt der Vorlesung liegt auf den maschinellen Lernverfahren, deren Anwendung an konkreten Beispielen aufgezeigt wird.

Literatur:

• U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth and R. Uthurasamy: Advances in Knowledge Discovery and Data Mining. Cambridge, London. MIT Press, 1996.
• CRoss Industry Standard Process for Data Mining (CRISP-DM)

Folien:

• 1. Einf� KDD
• 2. Datenbereitstellung
• 3. Vertrautmachen mit den Daten
• 4. Datenvorverarbeitung
• 6.1 Entscheidungsb�e
• 6.2 Induktive Logikprogrammierung
• 6.3 Neuronale Netze
• 7.1 Clusteranalyse
• 7.3 Assoziationsregeln
• 7.5 Formale Begriffsanalyse
• 7.6 Selforganizing Maps
• 8. Evaluierung & Anwendung

Übungsaufgaben:

• 1. �ung (12.5.2004)   —   Musterlösung
• 2. �ung (26.5.2004)   —   Musterlösung
• 3. �ung (9.6.2004)   —   Musterlösung
• 4. �ung (16.6.2004)   —   Musterlösung
• 5. �ung (30.6.2004)   —   Musterlösung
• 6. �ung (14.7.2004)   —   Musterlösung
• 7. �ung (21.7.2004)   —   Musterlösung

Links zu Demos:

Perzeptron	http://neuron.eng.wayne.edu/java/Perceptron/New38.html
Funktionsapproximation mit Neuronalen Netzen	http://neuron.eng.wayne.edu/bpFunctionApprox/bpFunctionApprox.html
Traveling Salesman basierend auf Self-Organizing Map	http://www.patol.com/java/TSP/
Buchstabenerkennung mit Hopfield-Netzen	http://www.cs.tcd.ie/Padraig.Cunningham/nds101/Hopfield/Hopfield.htm
Weka Machine Learning Project	http://www.cs.waikato.ac.nz/~ml/index.html

 

Weitere Informationen:

 

Das Material der letzten KDD-Vorlesung ist zu finden unter http://www.aifb.uni-karlsruhe.de/Lehre/Winter2003-04/kdd/