Intelligente Datenanalyse in Matlab
Vorlesung und Übung/Projekt im Wintersemester 2013/2014. Paul Prasse, Michael Großhans und Prof. Tobias Scheffer.
Termine
Die Veranstaltung umfasst 6 SWS (9 LP); anrechenbar für Diplom, Bachelor und Master.
- Vorlesung: Donnerstag, 14:15-15:45h, 03.04.0.02
- Übung/Projekt: Montag, 14:00-17:00h, 03.04.1.03
Der erste Übungstermin am 14.09.2013 entfällt.
Inhalte
Die Veranstaltung führt zu einem tiefen Verständnis ausgewählter Verfahren des maschinellen Lernens und Data Mining. Sie setzt sich aus einem Vorlesungsteil und der eigenständigen Bearbeitung anwendungsorientierter Aufgaben zusammen. Der Vorlesungsteil vermittelt das notwendige Wissen über Datenanalyse sowie Grundlagen in MATLAB.
Literatur
Maschinelles Lernen: Pattern Recognition and Machine Learning von Chris Bishop. 30 Exemplare in der Bibliothek ausleihbar.
MATLAB: Tutorials.
Vorlesung
Einführungsveranstaltung vom 17.10.2013
Einführung in MATLAB vom 21.10.2013 eLecture
Mathematische Grundlagen vom 24.10.2013: eLecture
Datenselektion und Datenaufbereitung vom 07.11.2013: eLecture, ImageDemo.zip
Problemanalyse & Grundlagen der Lerntheorie vom 14.11.2013: eLecture
Überwachtes Lernen: Entscheidungsbäume vom 21.11.2013: eLecture
Überwachtes Lernen: Lineare Modelle vom 28.11.2013: eLecture
Überwachtes Lernen: Nicht-lineare Modelle vom 05.12.2013: eLecture
Sequenzanalyse vom 12.12.2013: eLecture
Evaluation & Exploitation von Modellen vom 19.12.2013: eLecture
Unüberwachtes Lernen: Clustern von Instanzen vom 09.01.2014: eLecture
Unüberwachtes Lernen: Clustern von Attributen vom 16.01.2014: eLecture
Lernen von Rankings vom 23.01.2014: eLecture
Collaborative Filtering vom 30.01.2014: eLecture
Zusammenfassung vom 06.02.2014
Übungen
1. Übung vom 28.10.2013: logo.gif, mergesort.m.
2. Übung vom 04.11.2013: ex1.m, ex2.m.
3. Übung vom 11.11.2013: abalone.csv, abalone.m.
4. Übung vom 18.11.2013: lehman.txt chart.m distmatrix.m
5. Übung vom 25.11.2013: spect.mat (Quelle: UCI Repository) infoGain.m, learnTree.m, classTree.m, demoTree.m
6. Übung vom 02.12.2013: hinge.m, omega2.m, learnRegERM.m, classRegERM.m demoLinear.m
7. Übung vom 09.12.2013: weinqualitaet.csv (Quelle: UCI Repository) rbf.m, learnKernelReg.m, classKernelReg.m, demoKernelReg.m
8. Übung vom 16.12.2013: sequences.mat dtw.m, dtw_kernel.m, testDTW.m
9. Übung vom 06.01.2014: auc.m, auc_roc.m, evaluation.m
10. Übung vom 13.01.2014: toydata.m, findMapping.m, findMeans.m, kmeans.m, kmeans_demo.m
11. Übung vom 20.01.2014: retail.dat (Quelle: FIM Dataset Repository), support.m, apriori.m, apriori_demo.m
12. Übung vom 27.01.2014: hollins.mat, transition.m, PageRank.m, PageRank_demo.m.
13. Übung vom 03.02.2014: joke.csv correlation.m, cofilter.m, cofilter_demo.m.
Die Projektarbeit ist Teil der Prüfung Intelligente Datenanalyse in Matlab. Jede Aufgabe soll durch einen Studenten selbstständig bearbeitet und die Lösung innerhalb der mündlichen Prüfung vorgestellt werden. Es folgt eine Liste mit Aufgabenstellungen. Jeder zur Prüfung zugelassene Student muss eine Aufgabenstellung auswählen (E-Mail an prasse@cs.uni-potsdam.de); Aufgabenstellungen werden nicht doppelt vergeben! Die für die Projektarbeit benötigten Datensätze erhalten sie per E-Mail.
1. Projektaufgabe: vergeben.
2. Projektaufgabe: vergeben.
3. Projektaufgabe: vergeben.
4. Projektaufgabe: vergeben.
5. Projektaufgabe: vergeben.
6. Projektaufgabe: vergeben.
7. Projektaufgabe: vergeben.
8. Projektaufgabe: vergeben.
9. Projektaufgabe: vergeben.
10. Projektaufgabe: vergeben.
11. Projektaufgabe: vergeben.
12. Projektaufgabe: vergeben.
13. Projektaufgabe: vergeben.
14. Projektaufgabe: vergeben.