Computational-Intelligence

Old News

Vorlesung Intelligente Datenanalyse

Wintersemester 2007/08

Aktuelles

Übersicht

Allgemeines

Auf dieser Seite finden Sie verschiedene Informationen zu der Vorlesung "Intelligente Datenanalyse", die im Wintersemester 2007/2008 von Prof. Dr. Rudolf Kruse an der Otto-von-Guericke-Universität Magdeburg gehalten wird. Diese Seite wird im Laufe des Semesters aktualisiert. In vielen Bereichen leiden Anwender heute unter einer Flut von Daten, die sich "manuell" kaum noch auswerten lassen: Man denke etwa an die in Supermärkten durch Scannerkassen gesammelten Bondaten. Die Auswertung dieser Daten ist jedoch wichtig, da sie entscheidende Informationen z.B. über das Kaufverhalten der Kunden liefern können. Es werden daher "intelligente" Analysewerkzeuge benötigt, die aus unübersichtlichen Daten verständliche Informationen gewinnen können. In dieser Vorlesung werden einige dieser Verfahren vorgestellt, und zwar u.a. Verfahren aus den Bereichen klassische Statistik (beschreibende und schließende Statistik, Parameterschätzung, Regression), Bayes-Klassifikatoren, Entscheidungs- und Regressionsbäume, neuronale Netze, Neuro-Fuzzy-Systeme, Fuzzy-Datenanalyse, und Lernen probabilistischer Netze, ggf. auch Clusteringverfahren und Nächste-Nachbarn-Ansätze.

Die Vorlesung hat Bezüge zu den Vorlesungen "Maschinelles Lernen", "Data Mining", "Neuronale Netze" und "Fuzzy-Systeme", die als Ergänzungen und Vertiefungen zu dieser Vorlesung empfohlen werden. Sie sind jedoch keine Voraussetzung.

zurück zum Seitenanfang

Termine und Räume


WochentagZeitRaumBeginn
VorlesungMittwoch9-1122a-00410.10.2007
ÜbungDonnerstag11-1329-K05918.10.2007
zurück zum Seitenanfang

Lehrende

Wenn Sie Fragen zur Vorlesung oder zu den Übungen haben, wenden Sie sich bitte (wenn möglich, per E-mail) an eine der unten aufgeführten Personen.

zurück zum Seitenanfang

Schein- und Prüfungsbedingungen

Übungsschein: Zu den Übungen gibt es Übungsblätter. Die Übungsaufgaben werden votiert. Durch eine Votierung erklärt man sich bereit, zu einer Aufgabe vorzutragen. (Lösungsvorschläge werden diskutiert, sie müssen nicht gleich richtig sein. Man sollte sich aber gründlich mit der Aufgabe beschäftigt haben.) Den Übungsschein bekommt, wer

  • mindestens die Hälfte der Übungsaufgaben votiert,
  • mindestens zweimal in den Übungen vorgetragen, und
  • am Ende des Semesters ein kurzes Kolloquium (ca. 10 min.) bzw. eine Klausur (bei über 20 Interessenten) bestanden hat.

Prüfung: Möchten Sie Vorlesung mit einer Prüfung abgeschließen, so brauchen Sie die Übungsaufgaben nicht zu votieren, die gründliche Beschäftigung mit den Aufgaben ist aber auch in diesem Fall dringend angeraten. Für die Prüfung selbst sprechen Sie einen Prüfungstermin mit Prof. Kruse ab (z.B. per Email). Die Prüfung wird dann mit diesem Anmeldeformular mindestens zwei Wochen vor dem Termin der Prüfung beim Prüfungsamt angemeldet. Die Prüfung besteht aus einem Gespräch von ca. 20-25 Minuten Länge über den Stoff der Vorlesung. In diesem Gespräch ist inhaltliches Verständnis wichtiger als formale Details. Die Prüfungsleistung wird benotet (Notenspektrum 1.0, 1.3, 1.7, ..., 3.7, 4.0, 5.0).

zurück zum Seitenanfang

Voraussetzungen

Grundlagen der Informatik und der Wahrscheinlichkeitstheorie

zurück zum Seitenanfang

Übungsblätter

An dieser Stelle finden Sie alle bisher bearbeiteten Übungsblätter sowie das jeweils aktuelle Übungsblatt.

zurück zum Seitenanfang

Folien zur Vorlesung

Hier finden Sie Foliensätze zu den bisher gehaltenen Vorlesungen.

zurück zum Seitenanfang

Software

An dieser Stelle finden sich Verweise auf Programme, mit denen einfache Datenanalyseprobleme gelöst werden können, z.B. Entscheidungsbaumlerner.

zurück zum Seitenanfang

Datensätze

Hier finden Sie einige Datensätze, anhand derer einige Verfahren erläutert werden.

zurück zum Seitenanfang

Zusätzliche Unterlagen

An dieser Stelle finden Sie zusätzliche Unterlagen zur Vorlesung und zu den Übungen.

zurück zum Seitenanfang

Literatur

  • Intelligent Data Analysis: An Introduction (2. edition)
    D. Hand and M. Berthold (eds.)
    Springer-Verlag, Berlin, 2002
  • Elementare Einführung in die angewandte Statistik
    K. Bosch
    Vieweg, Wiesbaden, 2000
  • Angewandte Statistik (9. Auflage)
    L. Sachs
    Springer, Berlin, 1999
  • Machine Learning
    T. Mitchell
    McGraw Hill, New York, NY, USA 1997
  • Data Mining Techniques. For Marketing, Sales, and Customer Support.
    M.J. Berry and G.S. Linoff
    J. Wiley & Sons, Chichester, United Kingdom 1997
  • Data Mining - Theoretische Aspekte und Anwendungen
    G. Nakhaeizadeh (Hrsg.)
    Physica-Verlag, Heidelberg, 1998
  • Data Mining Methods for Knowledge Discovery
    K. Cios, W. Pedrycz, R. Swiniarski
    Kluwer, Dordrecht, Netherlands 1998
zurück zum Seitenanfang

Verweise auf andere Webseiten

zurück zum Seitenanfang
en lang icon de lang icon Printable View - Recent Changes
Page last modified on March 13, 2008, at 10:15 AM by russ