Universität Dortmund

Lehrstuhl für künstliche Intelligenz

LS 8 – Künstliche Intelligenz

Prof. Dr. Katharina Morik

Timm Euler, Felix Jungermann, Ingo Mierswa, Michael Wurst

www-ai.cs.uni-dortmund.de

Universität Dortmund

Hauptstudium

• Eigentlich ist die Universität immer die Gemeinschaft der Lehrenden und Lernenden.

• Spätestens aber im Hauptstudium wird gemeinsam geforscht!

Wissen

Universität Dortmund

K ü n s tlich e In te llig en z

N atü rlich sp rach lich e S ys tem e:B era tu n g ssys tem e

Textvers teh enM asch . Ü b erse tzu n g

M asch in e lles L ern en :B eg riffserwerb

W issen sen td ecku n g

W issen s rep rä sen ta tion :P lan u n g ssys tem e

w issen sb as ie rte P rob lem lö su n gA u tom atisch es B ew e isen

B ild verarb e itu n g :B ild - u n d S zen en vers teh en

g ra fisch e S ys tem eM u s tere rken n u n g

Linguistik

Statistik

Logik

Psychologie

Mustererkennung

Lernbarkeit

evolutionäre Strategien

LS6

LS7

LS12

LS8LS2

LS11

Universität Dortmund

LS8-Schwerpunkt: Maschinelles Lernen

• Textsammlungen – Web 2.0– Automatische Auszeichnung von Textteilen

• Induktive Datenbanken (data mining)– Welche Kunden werden

• ihren Vertrag kündigen?• mein neues Produkt kaufen?

• Mediensammlungen– Strukturierung nach verschiedenen Aspekten

Universität Dortmund

LS8-Stil

Eine gute Theorie ist die beste Praxis!• Systeme entwickeln, die weltweit eingesetzt werden

– MOBAL– Yale (jetzt: RapidMiner)

• Theoretische Aussagen, die den Beobachtungen entsprechen – Vollständigkeit der gefundenen Regeln– Fehlerschranke nah an beobachteten Fehlern– Inspektionsmöglichkeiten

Universität Dortmund

Lebenszyklus der Forschung

• Stützvektormethode zur Textklassifikation:– Formales Modell TCat– Schranke des erwarteten

Fehlers

Thorsten Joachims 2002

• 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)•Verteiltes data mining

Universität Dortmund

Musikdaten

• Klassifikation von Musikstücken nach Benutzerpräferenzen– Automatische Merkmalsextraktion

• Clustering von Musiksammlungen nach verschiedenen Gesichtspunkten

• Verteiltes kollaboratives Strukturieren

Jetzt das selbe für Videos?

Universität Dortmund

Nemoz

NEtwork Media OrganiZer:

Collaborative clustering in P2P networks

Einbindung von Yale

Kopieren

Clustering

Klassifikation

Stöberngemäß eigener Präferen

zen

Universität Dortmund

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 2006/7

• PGs:– KDD Cup (endete SoSe 2004)– Kollaboratives Strukturieren von Multimediadaten in

peer2peer-Netzen (endete SoSe2005)– Intelligence Service – Informationsextraktion aus dem Web

• Seminare zu Spezialthemen

Universität Dortmund

Abgeschlossene Diplomarbeiten...

• 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

Universität Dortmund

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• Und...

Universität Dortmund

Lesen!

• Bücher:– Hand, Mannila, Smyth– Mitchell– Schölkopf, Smola

• Zeitschriften:– JMLR (im WWW)– MLJ (Kluwer)– Knowledge and

Information Systems (Springer)

• Proceedings:– ICDM– KDD– PKDD– ICML– ECML

Universität Dortmund

Offene Diplomarbeiten -- Beispiele

• Entdecken wissenschaftlicher Communities anhand von home pages.

• Lernen von taggings mit SVMstruct

• Automatische Merkmalsextraktion aus Bilddaten

• Personalisierte Literaturempfehlung für interdisziplinäres Arbeiten