Vorlesung (Hauptstudium)
Maschinelles Lernen
Prof. Dr. Stefan Wrobel
Angesichts stetig wachsender Datenmengen gewinnen intelligente Verfahren zur induktiven Datenanalyse stark an Bedeutung, u.a. im Data Mining / Knowledge Discovery in Databases. Die Vorlesung bietet eine praktisch orientierte Einführung in die meistgenutzten Methoden aus dem Maschinellen Lernen und seinen Nachbargebieten: Entscheidungsbaumverfahren, Regression, Regellernen, Multirelationales Lernen/ILP, Instanzbasiertes Lernen, Künstliche Neuronale Netze, Genetische Algorithmen, Bayes'sche Lernverfahren, Clusteringverfahren. Neben der Datenanalyse ist ein weiteres wichtiges Ziel des Maschinellen Lernens die Untersuchung adaptiver Systeme; die Vorlesung stellt deshalb auch Verfahren des Verstärkungslernens, des erklärungsbasierten Lernens und der Theorierevision vor. Ergänzt wird dies durch eine Darstellung der wichtigsten Ansätze aus der Lerntheorie. Viele Verfahren können in den begleitenden Übungen erprobt werden.
| Zeit, Ort | Fr 13-15, SR A121 |
| Semesterwochenstunden | 2V + 2Ü |
| Beginn | Vorlesungsbeginn ist der 22.10.2004 / Die erste Übung findet daher am 27.10.2004 statt |
| Übungen | Mi 11-13, SR A121 (Prof. Dr. Stefan Wrobel und Mitarbeiter) |
| Bereich (alte DPO) | B,C |
| Bereich (neue DPO) | B |
| Literatur | Empfohlene Literatur: Mitchell, T.M.: "Machine Learning", McGraw-Hill, 1997. Skript und Spezialliteratur |
| Informationen im WWW | http://www-kd.iai.uni-bonn.de/de/lehre.html |
|