LS 8 Künstliche Intelligenz Prof. Dr

Präsentation zum Thema: "LS 8 Künstliche Intelligenz Prof. Dr"—  Präsentation transkript:

1 LS 8 Künstliche Intelligenz Prof. Dr
LS 8 Künstliche Intelligenz Prof. Dr. Katharina Morik Christian Bockermann, Felix Jungermann, Ingo Mierswa

2 Hauptstudium Eigentlich ist die Universität immer die Gemeinschaft der Lehrenden und Lernenden. Spätestens aber im Hauptstudium wird gemeinsam geforscht! Wissen 2

3 evolutionäre Strategien
Linguistik Statistik Logik Psychologie Mustererkennung Lernbarkeit evolutionäre Strategien LS12 LS2 LS8 LS11 LS6 LS7 3

4 Schwerpunkt am LS8 Textsammlungen -- WWW
Informationsextraktion -- Automatische Auszeichnung von Textteilen durch Maschinelles Lernen Folksonomies in Web Ausnutzen der tags (Auszeichnungen), die Benutzer angegeben haben Mediensammlungen Strukturierung nach verschiedenen Aspekten Recommender Systems -- Empfehlung gemäß Ort, Stimmung, Benutzer Merkmalsextraktion aus Audio- und Videodaten Wissensentdeckung und Ubiquitous Computing Datenströme z.B. aus Sensornetzwerken Verteilte Daten Sicherheit von Web-Anwendungen durch Maschinelles Lernen 4

5 LS8-Stil Systeme entwickeln, die weltweit eingesetzt werden MOBAL
SVM_light -- erste effiziente SVM-Implementierung (jetzt in libSVM) Yale (jetzt: RapidMiner) ist das weltweit favorisierte Open Source Tool für Data Mining Internationale Ausrichtung Europäische Zusammenarbeit Qualitätsprüfung durch Konferenzen (ca. 20% Annahme) und Zeitschriften 5

6 Lebenszyklus der Forschung
Induktive logische Programmierung: Obere und untere Lernbarkeitsschranke gemäß LE, LB, LH Schnellster Beweiser für eingeschränkte Hornlogik Jörg-Uwe Kietz 1996 Lernen von Merkmalsextraktionen aus Musikdaten (Mierswa 2002) Organisation von Musiksammlungen (Wurst 2005) Automatische Erkennung von Eigennamen (Rössler 2006) Informationsextraktion aus Texten PG520, (Jungermann 2008) Verteiltes Data Mining Stützvektormethode zur Textklassifikation: Formales Modell TCat Schranke des erwarteten Fehlers Thorsten Joachims 2002 6

7 Musikdaten Klassifikation von Musikstücken nach Benutzerpräferenzen
Automatische Merkmalsextraktion Clustering von Musiksammlungen nach verschiedenen Gesichtspunkten Verteiltes kollaboratives Strukturieren in P2P-Netzen Jetzt das selbe für Videos? 7

8 Lehre am LS 8 Vorlesung "Wissensentdeckung und maschinelles Lernen (Data Mining)“ mit Fachbereich Statistik 4V+2Ü jedes Sommersemester Vorlesung „Maschinelles Lernen“ rein Informatik 2V + 2Ü WS 2008/9 Implementieren der „Herzstücke“ der wichtigsten Algorithmen PGs: KDD Cup (endete SoSe 2004) Kollaboratives Strukturieren von Multimediadaten in peer2peer-Netzen (endete SoSe2005) Intelligence Service – Informationsextraktion aus dem Web (endet SoSe2008) 8

9 Abgeschlossene Diplomarbeiten...
Christian Bockermann (2007) Anomalie-Erkennung in Web-Anwendungen. Andreas Kaspari (2007) Maschinelle Lernverfahren für kollaboratives Tagging. Stephan Deutsch (2006). Outlier Detection in Usenet Newsgruppen. Benjamin Helbig (2005). Eine Umgebung zur Informationsextraktion aus Geschäftsbriefen. Mierswa, Ingo (2004). Automatisierte Merkmalsextraktion aus Audiodaten. Hüppe, Christian (2003). Benutzergeführtes Lernen von Dokumentstrukturauszeichnungen aus Formatierungsmerkmalen. Michaelis, Stefan (2000). Techniken des Data Mining zur Analyse von Telekommunikationsnetzwerken 9

10 Erwartungen an Diplomandinnen
Von der Anwendung zur Methode zur Theorie und wieder zurück! Fragestellungen aus der Anwendung in solche des Fachs übertragen Algorithmen entwickeln Vorhandene Systeme erweitern Sorgfältige Evaluation Teilnahme am Oberseminar Maschinelles Lernen und Data Mining Und... 10

11 Lesen! Bücher: Hand, Mannila, Smyth (2001) „Principles of Data Mining“
Han, Kamber (2006) „Data Mining -- Concepts and Techniques“ Schölkopf, Smola (2002) „Learning with Kernels“ Zeitschriften: JMLR (im WWW) MLJ (Springer) Knowledge and Information Systems (Springer) Data Mining and Knowledge Discovery (Springer) Proceedings: ICDM KDD ICML ECML/PKDD 11

12 Offene Diplomarbeiten -- Beispiele
Verteiltes Klassifizieren mit der SVM Simulationsumgebung für verteiltes Data Mining Folksonomy für tagging und Empfehlung von Filmen über Mobiltelefone Merkmalsextraktion aus Datenströmen Sensordaten in Walzwerken CERN-Experimente Lernen von taggings zur Informationsextraktion mit SVMstruct Relationen und Ereignisse aus den Bundestagsprotokollen extrahieren Analyse von MicroArray Daten Lernen von Automaten für Sicherheitsprüfung bei Web-Anwendungen 12

13 Kommen Sie einfach vorbei
Camps Süd, GB IV, Erdgeschoss links oder mailen Sie 13