Lerninhalt:

• Einführung und Motivation
• Begriffe und Definitionen (Arten von mehrdimensionalen Merkmalen - Zeitreihen und Bilder, Einteilung Problemstellungen)
• Einsatzszenario: Problemformulierungen, Merkmalsextraktion, -bewertung, -selektion und
  -transformation, Distanzmaße, Bayes-Klassifikation, Support-Vektor-Maschinen, Entscheidungsbäume, Cluster-Verfahren, Regression, Validierung
• 14tägige Rechnerübungen und Anwendungen (Software-Übung mit SciXMiner und Python): Import von Daten, Verschiedene Benchmarkdatensätze, Steuerung Handprothese, Energieprognose
• 2 SWS Vorlesungen, 1 SWS Übung

Lernziele:

Die Studierenden können die Methoden der Datenanalyse zielgerichtet und effizient zur Anwendung bringen. Sie beherrschen sowohl die grundlegenden mathematischen Data-Mining-Methoden zur Analyse von Einzelmerkmalen und Zeitreihen mit Klassifikations-, Cluster- und Regressionsverfahren inkl. einer Auswahl praxisrelevanter Verfahren (Bayes-Klassifikatoren, Support-Vektor-Maschinen, Entscheidungsbäume, Fuzzy-Regelbasen) als auch Einsatzszenarien zur Beherrschung praktischer Problemstellungen (Datenaufbereitung, Validierungen).

Vorlesungsunterlagen (ILIAS)

Mikut, R.: Data Mining in der Medizin und Medizintechnik. Universitätsverlag Karlsruhe.

2008 (PDF frei im Internet)

Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R.: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung. Berlin u.a.: Springer. 2000

Burges, C.: A Tutorial on Support Vector Machines for Pattern Recognition. Knowledge Discovery and Data Mining 2(2) (1998), S. 121–167

Tatsuoka, M. M.: Multivariate Analysis. Macmillan. 1988

Mikut, R.; Loose, T.; Burmeister, O.; Braun, S.; Reischl, M.: Dokumentation der MATLAB-Toolbox SciXMiner. Techn. Ber., Forschungszentrum Karlsruhe GmbH. 2006 (Internet)