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.