Mehrere Übungen werden abgehandelt, welche die Themen, die in der Vorlesung Knowledge Discovery behandelt werden, aufgreifen und im detail besprechen. Dabei werden den Studierenden praktische Beispiele demonstriert um einen Wissenstransfer der gelernten theoretischen Aspekte in die praktische Umsetzung zu ermöglichen.

• T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (http://www-stat.stanford.edu/~tibs/ElemStatLearn/)
• T. Mitchell. Machine Learning. 1997
• M. Berhold, D. Hand (eds). Intelligent Data Analysis - An Introduction. 2003
• P. Tan, M. Steinbach, V. Kumar: Introduction to Data Mining, 2005, Addison Wesley

Inhalte der Vorlesung umfassen den gesamten Machine Learning und Data Mining Prozess mit Themen zu Crisp, Data Warehousing, OLAP-Techniken, Lernverfahren, Visualisierung und empirische Evaluation. Behandelte Lernverfahren reichen von klassischen Ansätzen wie Entscheidungsbäumen, Neuronalen Netzen und Support Vector Machines bis zu ausgewählten Ansätzen aus der aktuellen Forschung. Betrachtete Lernprobleme sind u.a. featurevektor-basiertes Lernen, Text Mining und die Analyse von sozialen Netzwerken.

Die Übungen orientieren sich an der Vorlesung Knowledge Discovery.

Der Arbeitsaufwand für die gesamte Veranstaltung Knowledge Discovery ist in der Beschreibung der Vorlesung hinterlegt.

• Wirtschaftsingenieurwesen
• Informationswirtschaft
• Technische Volkswirtschaftslehre
• Wirtschaftsmathematik
• Vergleichbare Studiengänge zu Wirtschaftsingenieurwesen

Studierende

• kennen die Grundlagen des Maschinellen Lernen, Data Minings und Knowledge Discovery.
• können lernfähige Systeme, konzipieren, trainieren und evaluieren.
• führen Knowledge Discovery Projekte unter Berücksichtigung von Algorithmen, Repräsentationen and Anwendungen durch.