Universität Wien

040649 UK Machine Learning (2013W)

4.00 ECTS (2.00 SWS), SPL 4 - Wirtschaftswissenschaften
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 50 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Montag 07.10. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 14.10. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 21.10. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 28.10. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 04.11. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 11.11. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 18.11. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 25.11. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 02.12. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 09.12. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 16.12. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 13.01. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 20.01. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Freitag 24.01. 17:00 - 18:30 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 27.01. 18:00 - 20:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock
Montag 24.02. 17:00 - 19:00 Seminarraum 6 Oskar-Morgenstern-Platz 1 1.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

This course is about methods and algorithms for an automatic search

for patterns in electronically stored data. Useful patterns allows

us to make non-trivial predictions of new data. Try to derive your

own understanding of machine learning by using the following

definition: "Things learn when they change they behavior that makes

them perform better in the future" [1].

Art der Leistungskontrolle und erlaubte Hilfsmittel

Mindestanforderungen und Beurteilungsmaßstab

The course will introduce practical machine learning tools and techniques with applications to data mining using commercial, scientific, and web data sets. Techniques to be covered include:

- decision trees

- learning rules

- neural networks

- Bayesian classification

- support vector machines

- association rules.

Prüfungsstoff

Literatur

[1] Data Mining: Practical Machine Learning Tools and Techniques
(Third Edition, 2011), Ian H. Witten, Eibe Frank, Mark A. Hall
http://www.cs.waikato.ac.nz/~ml/weka/book.html

[2] Introduction to Machine Learning
Ethem Alpaydin
The MIT Press, October 2004, ISBN 0-262-01211-1

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:29