Lehrpersonen

Dozent(in)

• Prof. Dr.-Ing. Norbert Fuhr

Übungsleiter(innen)

• Dipl.-Inform. Thomas Beckers

Formalia

Zielgruppe

• Angewandte Informatik Master
• DAI Hauptstudium mit 8 Kreditpunkten : Bereich "D"
• ISE Master
• Kommedia Master

Termine

Prüfungstermine

Beschreibung

Information Mining beschäftigt sich mit dem Extrahieren von impliziten, noch unbekannten Informationen aus Rohdaten (Data Mining) bzw. Texten (Text Mining). Dazu sollen Computer in die Lage versetzt werden, Datenbasen automatisch nach Gesetzmäßigkeiten und Mustern zu durchsuchen und einen Abstraktionsprozess durchzuführen, der als Ergebnis aussagekräftige Informationen liefert. Das maschinelle Lernen stellt dafür die Werkzeuge und Techniken zur Verfügung.

Anwendungen finden sich insbesondere im Dienstleistungssektor, z.B. bei der Preisgestaltung von Billigflügen, der Kalkulation von Versicherungsbeiträgen, Kreditentscheidungen und im Marketing.

Vorlesungsmaterial

• Der Data-Minig-Teil basiert auf dem Lehrbuch 'Data Mining' von Ian Witten und Eibe Frank.
• Der Text-Mining-Teil basiert auf den Kapiteln 13-17 des Buches Introduction to Information Retrieval von D. Manning, Prabhakar Raghavan und Hinrich Schütze.
• Clustering-Tutorial und Demo
• Weiterführende Literatur:
  • Thomas A. Runkler; Data Mining. Vieweg+Teubner 2009
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009 Series in Statistics) by

Gliederung der Vorlesung

• Data Mining
  1. Einführung
  2. Eingabe: Konzepte, Instanzen, Attribute
  3. Ausgabe: Wissensrepräsentation
  4. Algorithmen: Die grundlegenden Methoden
  5. Glaubwürdigkeit: Auswertung des Gelernten
  6. Implementierung: Maschinelles Lernen in der Praxis
  7. Transformationen: Aufbereitung der Ein- und Ausgabe
  8. Zeitreihen
• Text Mining
  1. Text-Repräsentation
  2. Text-Clustering
  3. Text-Klassifikation

Folien

Einführung: odp pdf

• Data Mining
  1. Kapitel 1: odp pdf
  2. Kapitel 2: odp pdf
  3. Kapitel 3: odp pdf
  4. Kapitel 4: odp pdf --- Bayes'sche Netzwerke: odp pdf
  5. Kapitel 5: odp pdf
  6. Kapitel 6: odp pdf
  7. Kapitel 7: odp pdf
  8. Data Warehouse: odp pdf
  9. Zeitreihen
     • Einführung odp pdf
     • Mining of Time Series Data: odp pdf
     • Mining Sequential Patterns: ppt pdf
  10. Wiederholung
• Text Mining
  1. Flaches Clustering: Folien Handout
  2. Hierarchisches Clustering: Folien Handout
  3. Hierarchisches Clustering II Folien
  4. Optimum Clustering Framework Folien Handout

Mitschriften

• 21.4.10
• 5./12.5.10
• 26.5.10

Weitere Übungsaufgaben und Prüfungsfragen

• Beispiel-Übungsaufgaben
• Beispiel-Fragen für die mündliche Prüfung
  (beachten Sie hierzu auch die Wiederholungs-Folien )