Unüberwachtes Lernen zur Anomalieerkennung
Unüberwachtes Lernen kann helfen große Datenmengen handhabbar zu machen und ist deshalb zur Unterstützung des Menschen bei komplexen Analysen hilfreich. Die erlernten Modelle beschreiben die Struktur der Daten und können daher gut erkennen, ob neue Daten vielleicht nicht zu diesen Strukturen passen.In diesem Grundlagenvortrag werden die Teilbereiche Clustering und Dimensionsreduktion des unüberwachten Lernens vorgestellt und gezeigt, wie sie zur Anomalieerkennung eingesetzt werden können. Aus jedem Bereich werden ein grundlegender Algorithmus und seine Eigenschaften anhand von Beispielen vorgestellt.
Vorkenntnisse
Ein grundlegendes Verständnis von Datenrepräsentationen und Geometrie ist hilfreich. Wenn Sie ein Streudiagramm interpretieren können sind Sie bereits auf der sicheren Seite.
Lernziele
Der Vortrag vermittelt Ihnen
* einen Überblick über zwei Teilgebiete des unüberwachten Lernens
* die Grundlagen der Anomalieerkennung
* nachvollziehbare Beispiele welche die Verfahren für Sie anwendbar machen.
Er erhebt keinen Anspruch auf Vollständigkeit.
Speaker
Harald Bosch arbeitet als Data Scientist bei der Novatec Consulting GmbH. Er wurde am Institut „Visualisierung und Interaktive Systeme“ im Bereich Datenvisualisierung und -Analyse promoviert und hat sich seither auch mit vielen Themen der Softwareentwicklung beschäftigt.