Obwohl viele arbeitsaufwändige Probleme automatisiert werden könnnen, indem man das Verhalten eines Computersystems von Hand modelliert, erfordern viele Probleme, dass ein System basierend auf Feedback zu seinen bisherigen Aktionen seine Antworten anpassen kann, d. h., lernen kann, in Zukunft in einer besseren Art und Weise zu agieren. Andere Aufgaben sind schlicht zu groß und umfangreich, um für Menschen überschaubar zu sein, so daß sie auf die Hilfe von Computern angewiesen sind.

Maschinelles Lernen (auch als Data Mining, Mustererkennung, Datenanalyse oder Klassifikation bekannt) ist ein Forschungsgebiet an der Schnittstelle von Informatik, Künstlicher Intelligenz, Mathematik und Statistik, die sich diesen Problemen widmet. Sie beinhaltet allgemeine Methoden und Techniken, die dann im Rahmen unzähliger verschiedener Anwendungen benutzt werden können, etwa der Vorhersage von Kundenverhalten, dem Steuern eines Roboters, der Entdeckung von Spam-Email oder der Vorhersage von Protein-Faltungen, um nur ein paar zu nennen.

In dieser Vorlesung werden wir die einfachsten Lernprobleme studieren, angefangen mit Regressions- und Klassifikationsproblemen (überwachtes Lernen). Hier werden wir uns verschieden Modelle anschauen, wie etwa Lineare Modelle, Entscheidungsbäume, Neuronale Netzwerke, Support-Vector-Maschinen oder einfache Arten Bayesscher Netzwerke. Später werden wir uns auch mit Clusteranalyse und Dimensionsreduktion beschäftigen (unüberwachtes Lernen).

Die Vorlesung Maschinelles Lernen ist Voraussetzung für die meisten weiterführenden Kurse und Seminare des ISMLL. Sie wird für Studierende ab dem dritten Semester empfohlen.

Lehrbücher (Semesterapparat Nr. 080 in der Universitätsbibliothek):

1. Richard O. Duda, Peter E. Hart, David G. Stork (2001): Pattern Classification, 2nd edition.
2. Christopher M. Bishop (2006): Pattern Recognition and Machine Learning.
3. Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001): The Elements of Statistical Learning.
4. Brian D. Ripley (1996): Pattern Recognition and Neural Networks.
5. Tom Mitchell (1997): Machine Learning.
6. Ian Witten, Eibe Frank (2005): Data Mining: Practical Machine Learning Tools and Techniques, Second Edition.
7. Pang-Ning Tan, Michael Steinbach, Vipin Kumar (2005): Introduction to Data Mining. (nicht im Semesterapparat)

Dozent: Prof. Dr. Alexandros Nanopoulos