Viele arbeitsaufwändige Probleme können automatisiert werden, indem man das Verhalten des Computersystems von Hand modelliert. Dennoch gibt es viele Probleme bei denen dies nicht möglich ist, da sich das System ständig auf Verhaltensänderungen anpassen muss bzw. weil das Problem einfach zu groß ist.
Maschinelles Lernen (auch als Data Mining, Mustererkennung, Datenanalyse oder Klassifikation bekannt) ist ein Forschungsgebiet an der Schnittstelle von Informatik, Künstlicher Intelligenz, Mathematik und Statistik, das sich diesen Problemen widmet. Es 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).
Lehrbücher:
- Richard O. Duda, Peter E. Hart, David G. Stork (2001): Pattern Classification, 2nd edition.
- Christopher M. Bishop (2006): Pattern Recognition and Machine Learning.
- Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001): The Elements of Statistical Learning.
- Brian D. Ripley (1996): Pattern Recognition and Neural Networks.
- Tom Mitchell (1997): Machine Learning.
- Ian Witten, Eibe Frank (2005): Data Mining: Practical Machine Learning Tools and Techniques, Second Edition.
Dozent: Prof. Dr. Dr. Lars Schmidt-Thieme
Übungen: Martin Wistuba
