Der Kurs "Clustering Analysis" führt die Teilnehmer in die grundlegenden Konzepte des unüberwachten Lernens ein und konzentriert sich dabei auf Clustering- und Dimensionsreduktionsverfahren. Die Teilnehmer lernen verschiedene Clustering-Methoden kennen, darunter Partitionierung, hierarchisches, dichtebasiertes und gitterbasiertes Clustering. Außerdem lernen die Teilnehmer die Hauptkomponentenanalyse (PCA) zur Dimensionsreduzierung kennen. Durch interaktive Tutorien und praktische Fallstudien werden die Studenten praktische Erfahrungen in der Anwendung von Clustering und Dimensionsreduktionstechniken auf verschiedene Datensätze sammeln. Am Ende dieses Kurses werden die Studenten in der Lage sein: 1. Die Prinzipien und die Bedeutung des Unüberwachten Lernens, insbesondere Clustering und Dimensionsreduktion, zu verstehen. 2. Die Konzepte und Anwendungen von partitionierenden, hierarchischen, dichtebasierten und gitterbasierten Clustering-Methoden zu verstehen. 3. Erforschen Sie die mathematischen Grundlagen von Clustering Algorithmen, um deren Funktionsweise zu verstehen. 4. Anwendung von Clustering-Techniken auf verschiedene Datensätze zur Mustererkennung und Datenexploration. 5. Verstehen des Konzepts der Dimensionsreduktion und seiner Bedeutung für die Reduzierung der Komplexität des Merkmalsraums. 6. Implementierung der Hauptkomponentenanalyse (PCA) zur Dimensionsreduktion und Interpretation des reduzierten Merkmalsraums. 7. Bewertung der Clustering-Ergebnisse und der Effektivität der Dimensionsreduktion unter Verwendung geeigneter Leistungsmetriken. 8. Wenden Sie Clustering- und Dimensionsreduktionsverfahren in realen Fallstudien an, um aussagekräftige Erkenntnisse zu gewinnen. Während des gesamten Kurses werden die Teilnehmer aktiv an Tutorien und Fallstudien teilnehmen, um ihre Fähigkeiten zur Clustering-Analyse und Dimensionsreduktion zu stärken und praktische Erfahrung in der Anwendung dieser Verfahren auf verschiedene Datensätze zu sammeln. Durch das Erreichen der Lernziele werden die Teilnehmer gut gerüstet sein, um bei Aufgaben des unüberwachten Lernens zu glänzen und fundierte Entscheidungen unter Verwendung von Clustering- und Dimensionsreduktionsverfahren zu treffen.