Old News
Vorlesung Intelligente Datenanalyse
Wintersemester 2007/08
Aktuelles
Übersicht
- Allgemeines
- Termine und Räume
- Lehrende
- Schein- und Prüfungsbedingungen
- Übungsblätter
- Zusätzliche Unterlagen
- Software
- Datensätze
- Literatur
- Verweise
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
| Wochentag | Zeit | Raum | Beginn | |
|---|---|---|---|---|
| Vorlesung | Mittwoch | 9-11 | 22a-004 | 10.10.2007 |
| Übung | Donnerstag | 11-13 | 29-K059 | 18.10.2007 |
| 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.
- Prof. Dr. Rudolf Kruse, kruse@iws.cs.uni-magdeburg.de
- Matthias Steinbrecher, msteinbr@iws.cs.uni-magdeburg.de
| 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.
- Skript "Grundbegriffe der Wahrscheinlichkeitstheorie" prob.pdf
- ndqtl.c(ein C-Programm zur Berechnung der Quantile der Normalverteilung)
- Multipolynomiale Regression
- Naiver und voller Bayes-Klassifikator
- Visualisierung von Bayes-Klassifikatoren
- Induktion von Entscheidungs- und Regressionsbäumen
- Visualisierung von Entscheidungs- und Regressionsbäumen
- Training von Neuronalen Netzen (mehrschichtige Perzeptren)
- Training von Neuronalen Netzen (radiale Basisfunktionen)
- Probabilistisches und Fuzzy Clustering
- Induktion von Assoziationsregeln
| 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.
- Skript zum Einführungs- und zum Statistikteil der Vorlesung
- Aufsatz zu Bayes-Klassifikatoren und Fuzzy-Clustering
- Aufsatz zu Entscheidungsbäumen
- Pseudocode des Apriori-Algorithmus
- Herleitung Polynomielle Regression
- Chi^2-Test
- Antwort-Bäume
| 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
- Otto-von-Guericke-Universität Magdeburg
- Fakultät für Informatik
- Institut für Wissens- und Sprachverarbeitung
- Arbeitsgruppe Neuronale Netze und Fuzzy-Systeme
- andere Lehrveranstaltungen der Arbeitsgruppe
| zurück zum Seitenanfang |
