LFU:online

Die Studierenden können:

• die Ideen und Prinzipien unüberwachter Lernverfahren erklären, kritisch bewerten und vergleichen;
• die im Kurs behandelten Methoden auf komplexe Datenprobleme anwenden und systematisch implementieren;
• Ergebnisse praktischer Anwendungen kritisch interpretieren und zielgruppenorientiert präsentieren.

Der Kurs behandelt Themen des unüberwachten Lernens, darunter:

• Clustering:
  • heuristische Methoden: hierarchische und partitionierende Clustering-Verfahren;
  • modellbasierte Methoden.
• Dimensionsreduktion:
  • lineare Methoden: Hauptkomponentenanalyse, Matrixfaktorisierung;
  • nichtlineare Methoden: Autoencoder.

Vortrag der Lehrveranstaltungsfolien durch Lehrveranstaltungsleiter/in, Diskussion von Fallstudien. Erarbeitung und Präsentation von Übungsaufgaben und Fallstudien durch Teilnehmerer/innen, Diskussion.

Aufgaben, praktische Fallstudien, Präsentationen und Prüfung.

James, G., Witten, D., Hastie, T., Tibshirani, R. (2021).
An Introduction to Statistical Learning: With Applications in R. 
Second edition. New York, Springer. 
https://www.statlearning.com/

Hastie, T., Tibshirani, R., Friedman, J. H. (2017).
The Elements of Statistical Learning: Data Mining, Inference, and Prediction.
Second edition. New York, Springer.
https://hastie.su.domains/ElemStatLearn/