Statistical Data Mining (Winter 10/11)

Dozent

• Prof. Dr. Gunther Heidemann

Übungen

• Dipl.-Inform. Sebastian Klenk

Termine

• Montags   09:45-11:15 (Raum 0.457)
• (Ü) Mittwochs 09:45-11:15 (14tg.) (Raum 0.363)

Aktuelles

Beschreibung

Die Analyse der in Naturwissenschaft und Technik anfallenden Datenmengen stellt eine große Herausforderung dar: Nicht nur die schiere Menge ist problematisch, sondern auch die oftmals sehr hohe Datendimensionalität. Selbst sehr elementare Muster - beispielsweise Cluster - k¨nnen deshalb vom Menschen nicht mehr ohne Hilfsmittel erkannt oder gar interpretiert werden.

Die Vorlesung Datamining führt in Standardverfahren der modernen Datenanalyse ein, die Strukturen aufspüren und für den Benutzer zugänglich und interpretierbar machen: Lineare und nichtlineare Dimensionsreduktion und Dimensionsanalyse; Distanzmaße und Clusteralgorithmen; elementare Datenvisualisierung, Projektionsmethoden, Sammon-Projektion, multidimensionale Skalierung; Grundlagen der Klassifikation, Klassifikatoren, Klassifikationsbäume; automatische Modellextraktion; Mustererkennung.

Die Vorlesung stellt teilweise Verbindungen zu den Themen Neuronale Netze und Mustererkennung her. Diese Veranstaltungen sind jedoch keine Voraussetzungen - Datamining ist "self-contained"

Voraussetzungen

Vordiplom, Grundlagen der Künstlichen Intelligenz empfohlen

Themen

Datenvorverarbeitung, Dimensionsreduzierung, Clustering, Klassification, Regression, Neuronale Netze, SOM, etc.

hilfreiche Literatur

Termine II