Big-Data-Technologien II

Modul im Masterstudiengang Informatik und IT-Management (M.Sc.)

Die Studierenden sollen in der Lage sein,

• typische Problemstellungen der subsymbolischen Daten- und Wissens­techno­lo­gien zu analysieren,
• Prozessschritte für die adaptive Datenanalyse zu konzipieren,
• Methoden der Prozessschritte zu verstehen und anzuwenden,
• Methoden der Validierungsanalyse zu verstehen und anzuwenden,
• Grundannahmen und Modelle der empirischen Inferenz zu kennen,
• einige mathematische Hintergründe der empirischen Inferenz zu kennen.

1. Einführung

• Fünf Typen der statistischen Inferenz
• Anwendungsbeispiele
• Prozesskette
• Postulate

2. Vorverarbeitung und Merkmalsextraktion

• Zielstellung
• Methoden
• Bewertung
• Beispiele
• Merkmalstypen
• Distanzmaße

3. Cluster-Analyse

• Agglomerative, hierarchische Cluster-Analyse
• Prototypvektorbasierte Cluster-Analyse
• Fuzzy-Clusteranalyse
• Neuronale Netze: Selbstorganisierende Merkmalskarten
• Netze: Wachsende Zellstrukturen
• Anwendungsbeispiele

4. Diskriminanzanalyse Ad-hoc Entscheidungsregeln

• Vergleich mit Idealmustern (template matching)
• Optimaler Klassifikator - Bayessche Entscheidungstheorie
• Parametrische Methoden der Klassifikatoren
• Nichtparametrische Methoden der Klassifikatoren
• Lineare Diskriminanzanalyse
• Neuronale Netze: Fehlerrückführungs-Lernen
• Neuronale Netze: Prototypvektorbasiertes Lernen
• Stützvektormaschinen
• Anwendungsbeispiele

5. Validierungsanalyse

• Adaptivität und Generalisierungsfähigkeit
• Cluster-Validierung
• Wahrheitsmatrix
• Wiederholtes Erzeugen von Stichproben (Resampling)
• Kreuzvalidierung
• Grenzwertoptimierungsanalyse
• Anwendungsbeispiele

6. Regression und Prädiktion

• Lineare und generalisierte, lineare Regression
• Neuronale Netze: Radiale Basisfunktionsnetze
• Kernfunktionsbasierte Regression
• Gaußsche Prozesse
• Lineare, adaptive Filter
• Nichtlineare, adaptive Filter
• Anwendungsbeispiele

7. Tiefe Lernstrukturen (deep learning) Repräsentationslernen

• Autoassoziationsnetzwerke (deep auto-encoder)
• Restriktive Boltzmann-Maschinen
• Anwendungsbeispiele