Vorlesung "Unüberwachtes Lernen"

Vorlesungsübersicht und Skripte:  

1. Vorlesung (20.4.):  What is unsupervised Learning?

• slides as pdf

2. Vorlesung (4.5.):  Similarity and dissimilarity functions, embeddings, and Multidimensional Scaling

• Inhaltsübersicht, Demos und Literatur
• Protokoll
  

3. Vorlesung (4.5.): Random projections and the Johnson-Lindenstrauss embedding.

• Inhaltsübersicht, Demos und Literatur
• Protokoll

4. und 5. Vorlesung (18.5.): PCA, kernels, and kernel PCA

• Inhaltsübersicht, Demos und Literatur
• Protokoll, mein Skript ...

6. und 7. Vorlesung (1.6.): Manifold methods for dimensionality reduction

• Inhaltsübersicht, Demos und Literatur
• Protokoll

8. und 9. Vorlesung (29.6.): Clustering

• Inhaltsübersicht, Demos und Literatur
• Protokoll 8, Protokoll 9

10. und 11. Vorlesung: (6.7.): Ranking

• Inhaltsübersicht, Demos und Literatur
• Protokoll 10 , Protokoll 11

12. Vorlesung (13.7.): Density estimation and outlier detection

• Inhaltsübersicht, Demos und Literatur
• Protokoll

13. Vorlesung: (13.7.): Unsupervised learning put in context

• slides

Ankündigung im Vorlesungsverzeichnis:  

Veranstaltungsart: Vorlesung ohne Übung (V2)
Titel: Unüberwachte Lernverfahren
Sprache: Deutsch oder englisch, je nach Teilnehmern
Turnus: unregelmaessig
Veranstalterin: Dr. Ulrike von Luxburg
Gebietsangabe: Data and Knowledge Engineering
Leistungen: Übungen während des Semesters, Prüfung am Semesterende
Vorwissen: Grundkenntnisse in linearer Algebra
Literatur: wird bekanntgegeben

Inhalt:
Methoden des unüberwachten Lernens werden immer dann angewandt, wenn wir sehr grosse, unübersichtliche Datenmengen verarbeiten wollen. Das Ziel ist, bisher unbekannte Strukturen und Zusammenhänge in den Daten zu entdecken, und so die Daten entweder auf ihre wichtigen Aspekte zu reduzieren, oder für eine weitere gezielte Analyse vorzubereiten. 

Die Vorlesung wird drei Schwerpunkte haben:

• Ähnlichkeiten und Abstände zwischen Datenpunkten, Einbettung von Daten in strukturierte Räume wie zum Beispiel Vektorräume (multi-dimensional scaling, isometrische Einbettungen, kernel methods)  
• Methoden zur Dimensionsreduktion: lineare Methoden (principal component analysis, random projections) und nicht-lineare Methoden (locally linear embeddings, ISOMAP, Laplacian eigenmaps).  
•  Data Clustering: Standard-Algorithmen (k-means, linkage algorithms), Graphen-basierte Algorithmen (spectral clustering und Varianten), ihre Vor-und Nachteile, theoretische Aspekte von Clustering

Viele unüberwachte Lernalgorithmen werden nicht nur in der Informatik angewandt, sondern in allen empirischen Wissenschaften, die grosse Datenmengen zu verarbeiten haben. Diese Vorlesung ist also speziell auch für andere Fachbereiche (zum Beispiel Physik, Mathematik, Biologie) interessant. Je nach Interesse der Teilnehmer wird die Vorlesung eher theoretisch oder eher praktisch ausgerichtet.