Vorige Seite (Maschinelles Lernen A) Nächste Seite (Medienwirkung)
Maschinelles Lernen B

LV-Nummer:
 508.067
508.068 Stunden:
 2 Vo + 1 Ue (Vorlesung + Übung) Semester:
 Sommer Institut:
 508 (``IGI'' ) ECTS-Punkte:
 3.0 + 1.5 credits Vortragende:
 O.Univ.-Prof. Dipl.-Math. Dr.rer.nat. Wolfgang Maass (), Univ.-Ass. Dipl.-Ing. Thomas Natschläger () Wahlfachkatalog:
 Theoretische Informatik Lehrinhalt:
 Die in der Praxis erfolgreichsten Verfahren kennen lernen, die anhand von Beispielen selber Klassifizierungen lernen. Ebenfalls wird der notwendige theoretische Hintergrund des maschinellen Lernens erläutert. Im Vordergrund steht das besonders häufig angewendete Programm C4.5 (oder die neue Version C5.0) zur maschinellen Erzeugung von Entscheidungsbäumen mittels ``top-down Lernen''. Daneben werden das neue Programm T2 zur Erzeugung von optimalen Entscheidungsbäumen geringer Tiefe, das Lernsystem CN2 zum Verallgemeinern von Beispielen (``bottom-up Lernen''), Nearest-Neighbour Verfahren, Statistische Methoden und Support Vektor Maschinen behandelt. Lehrziel:
 In den Übungen Experimente mit ``real-world'' Lernproblemen. Die Software für die behandelten Lernsysteme wird zur Verfügung gestellt. Daneben wird in den Übungen das selbständige Lösen der im maschinellen Lernen auftretenden begrifflichen und theoretischen Probleme erlernt. Voraussetzungen:
 ``Theoretische Informatik 1'', Methoden der Statistik Studienbehelfe:
 Literatur: Weiss/Kulikowski: Computer Systems That Learn; Anthony/Biggs: Computational Learning Theory; Michie/Spiegelhalter/Taylor: Machine Learning, Neural and Statistical Classification; Duda/Hart: Pattern Classification and Scene Analysis (es wird die 1996 erscheinende Neuauflage verwendet); Kearns/Vazirani: An Introduction to Computational Learning Theory. Prüfungsmodus:
 Schriftlich

© 1997-2002: Dieter LUTZMAYR
Letzte Änderung am 27. Dezember 2001