Login |
 
 

Data Mining : Methoden der künstlichen Intelligenz

Überblick

Leistung: SWS : 2, Credits 4

Kurstyp : Vorlesung

Sprache: deutsch

Prüfungstermin: Ersttermin am 23.07.2010 und 05.08.2010

Zweittermin am 15.10.2010

(mündlich ca 30 Minuten, Uhrzeit nach Vereinbarung)

Materialien

Termin

Typ

Inhalt

15.04.2010 VL Introduction, Fuzzy Logic
22.04.2010 VL Fuzzy Rules & Inference,VersionSpace
29.04.2010 VL Rule Induction, Fuzzy Arithmetic
06.05.2010 VL Fuzzy DecTrees & Clustering, Neural Networks Intro Demo
13.05.2010 Himmelfahrt
20.05.2010 UB T/S-Norm, Mamdani, Takagi-Sugeno Controller, Wang-Mendel, Higgins-Goodman

Aufgabe

Lösung

27.05.2010 VL Perceptron, Delta Rule, Multilayer Perceptron, Backpropagation, DeltaRule
03.06.2010 Fronleichnam
10.06.2010 UB

Support-Region/alpha cuts, Fuzzy-Arithmetik and Backprop k-means, c-means, Gradientenabstieg

Aufgabe

Lösung

17.06.2010 VL RBF, PNN, Details
24.06.2010 UB SOM, Perzeptron, RBF

Aufgabe

Lösung

01.07.2010 VL Neuro-Fuzzy / Fuzzy-Neuro, Metaheuristiken
08.07.2010 UB RBF, PNN, Genetische Algorithmen

Aufgabe

Lösung

15.07.2010 VL Genetische Fuzzy Systeme / Q&A
22.07.2010 Prüfung

Inhalt

Spezielle Methoden der Datenanalyse aus den Bereichen des Soft Computing und der Künstlichen Intelligenz

  • Einführung in die Fuzzy Logic
  • Lernen von Fuzzy Logic Modellen
  • Einführung in Neuronale Netze
  • Lernen und Analyse von Neuronalen Netzen
  • Einführung in Genetische Algorithmen
  • Evolution von Regel- und anderen Modellen
  • Hybride Methoden des Soft Computing in der Datenanalyse

 

Literaturempfehlungen

Zur Vorlesung:

  • Über alle Themen :

Michael Berthold, David Hand: Intelligent Data Analysis, An Introduction, 2te Auflage, Springer-Verlag, 2003.

  • Online Buch zur Fuzzy Logic (deutsch) teilweise sehr theoretisch!
  • Sehr gut für neuronale Netzwerke ist:

Detlef Nauck, Christian Borgelt, Frank Klawonn und Rudolf Kruse.: Neuro-Fuzzy-Systeme - Von den Grundlagen Neuronaler Netze zu modernen Fuzzy-Systemen Vieweg-Verlag, Wiesbaden, Germany 2003, ISBN 3-528-25265-0

Grundlagen Data Mining Allgemein:

  • Tom Mitchell: Machine Learning, McGraw Hill, 1997
  • David Hand, Heikki Mannila, Padhraic Smyth: Principles of Data Mining, MIT Press 2001

Leistungsnachweis

Aktive Teilnahme in den Übungen: min. 60% der Aufgaben votieren, d.h., sich bereit erklären, seinen Lösungsweg an der Tafel vorzustellen. Mündliche Prüfung (30 Minuten). Die Note ergibt sich aus der Note der Prüfung.

Vorraussetzungen

Grundkenntnisse im Rahmen der Data Mining 1 Vorlesung sind von Vorteil.

Weitere Informationen

Link zum Eintrag im Vorlesungsverzeichnis