Unsupervised Learning

Bei Algorithmen dieser Art liegen keine Zielvariable vor. Es sind also kein Label und damit keine Erfahrungswerte vorhanden. Typischerweise basieren solche Algorithmen auf einer Ähnlichkeits- bzw. Distanzberechnung zwischen den unterschiedlichen Observationseinheiten. Das wohl am meisten angewandte Verfahren in diesem Kontext ist das Clustering, welches zueinander ähnliche Observationen gruppiert [Kanungo et al. 2002]. Clustering-Methoden werden z. B. dann eingesetzt, wenn man eine Probandensegmentierung erstellen möchte. Ein weiteres typisches Verfahren im Rahmen des Unsupervised Learning ist das Association Rule Mining (ARM). Es handelt sich hierbei um ein Verfahren zur Untersuchung der Eintrittswahrscheinlichkeiten von Ereignissen. So wendet man Association Rule Mining gerne im Rahmen einer Warenkorbanalyse an, um herauszufinden, welche Produkte häufig in einer Kombination gekauft werden und wie häufig und verlässlich dieser kombinierte Kauf in Bezug auf alle Käufe für einen definierten Zeitraum stattfindet.

Prof. Dr. Gernot Heisenberg

Professur für Information Research and Data Analytics. Studium der theoretischen Physik an der RWTH Aachen und Promotion in Informatik. Langjährige Teamleitertätigkeit am Fraunhofer Competence Center for Virtual Environments. Gründung, Aufbau und erfolgreicher Verkauf seiner Firma für numerische Simulationssoftware. 2013 Vertretungsprofessor in Sankt Augustin, 2014 bis 2016 ordentliche Professur in Wiesbaden und seit 2016 ordentliche Professur an der Technischen Hochschule Köln. Seine Forschungs- und Lehrschwerpunkte umfassen Advanced Data Analytics sowie Advertising Research.

Weitere Informationen und alle Beiträge

Prof. Dr. Heisenberg bietet Consulting rund um die Themen Advanced Data Analytics und Advertising Research an: www.gernotheisenberg.de
Prof. Dr. Gernot Heisenberg
« Back to Glossary Index