INTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung

Transkript

1 INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung

2 Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2

3 Organisation Vorlesung/Übung + Projektarbeit. 6 Semesterwochenstunden (2 Vorlesung/4 Übung). Vorlesung: Do 14:00-15:30, Seminarraum Übung: Mo 14:00-17:00, PC-Pool Babylon-Account für PC-Pool bei Herrn Glöde (Raum ) beantragen. Webseite mit Terminen, Folien und Downloads: 3

4 Organisation Vorlesung: Grundlagen Maschinelles Lernen und MATLAB. Konzepte/Algorithmen der intelligenten Datenanalyse. Übung: Implementierung der Algorithmen in MATLAB. Anwenden der Verfahren auf Praxis-Problemstellungen. 4

5 Organisation Projektarbeit: Selbständiges Bearbeiten eines Problems aus der Praxis: Problemstellung und geeignetes Verfahren identifizieren. Verfahren in MATLAB implementieren und auf gegebene Daten anwenden. Prüfung: Vorstellung der Projektarbeit. Mündliche Prüfung zu Themen der Vorlesung/Übung. Prüfungsnote: 50% Prüfung + 50% Projektarbeit. 5

6 Literatur Chris Bishop: Pattern Recognition and Machine Learning. David G. Stork: Computer Manual in MATLAB to Accompany Pattern Classification. MATLAB-Demos & -Tutorials im Internet, z.b

7 Inhalte und Ziele der Vorlesung Grundlagen im Arbeiten mit MATLAB. Mathematische Grundlagen der Optimierung, Statistik und Numerik. Methoden des Maschinellen Lernens: Klassifikation & Regression. Clustering. Ranking & Recommendation-Systeme. Dimensionsreduktion und Visualisierung. Selbständiges Durchführen von Datenanalysen, d.h. bearbeiten von Problemen des Maschinellen Lernens. 7

8 Motivation 8

9 Motivation 9

10 Was ist Intelligente Datenanalyse? Gegeben: Beobachtungen/Daten. Evtl. Hintergrundwissen über die Domain. Gesucht: Visualisierung und Beschreibung der Daten. (Versteckte) Zusammenhänge in den Daten. Ziel: Modell finden welches die Beobachtungen bzw. bestimmte Teile davon gut erklärt. 10

11 Schritte der Datenanalyse Datenvorverarbeitung und geeignete Repräsentation der Daten wählen. Finden eines Modells durch Maschinelles Lernen: Modellierung des Lernproblems: Bestimmen von gegebenen und gesuchten Größen, Performanzmaß/Zielkriterium, Modellraum usw. Lösen des Lernproblems: Algorithmus zum Finden eines geeigneten Modells. Anwenden des Modells auf neue Daten. Bewertung & Interpretation der Ergebnisse. 11

12 Beispiel: Modellierung von Risiken 12

13 Beispiel: Cross-/Up-Selling Entdecken von Mustern in Datenbanken: Welche Produkte anbieten? Wie und wo Produkte platzieren & bewerben? Kaufvorschläge & Bundles generieren. 13

14 Beispiel: Empfehlungen Basierend auf Nutzerverhalten/-bewertungen: Vorhersage von neuen Bewertungen. Produktempfehlungen für andere Nutzer. 14

15 Beispiel: Spam Filtern Klassifikation aufgrund von Text, Bildern, URLs Große Datenmenge beim Training (>1 Mio s). Klassifikationsproblem mit Gegenspieler: Gegenspieler verändert Verhalten in Reaktion auf gelerntes Modell. Hohe Genauigkeit bei legitimen s. 15

16 Beispiel: Mustererkennung Sprach-, Text- und Bilderkennung: Handschrifterkennung, Gesichtserkennung, Sprachsteuerung uvm. 16

17 Beispiel: Daten-Modellierung Visualisierung hochdimensionaler Daten. Lernen von Ontologien & Taxonomien. Sprachsynthese (Text to Speech). Automatische Volltextübersetzung (Text to Text). Das Fleisch ist willig, aber der Geist ist schwach. DE EN RUS EN DE Das Schwein ist fertig, aber der Wodka ist verrottet. 17

18 Wir stellen ein Wir suchen: Studentische Mitarbeiter, gern im Zusammenhang mit Studien- und Diplomarbeit. Wissenschaftliche Mitarbeiter. Promotionsstipendiaten. Wir bieten: Erstklassiges Forschungs- und Arbeitsumfeld. Interessante Themen und Problemstellungen, z.t. Drittmittelprojekte mit Industriepartnern. 18