Identifizierung von zugrundeliegenden Mustern
Sie befinden sich hier:
|
Hauptzuständig |
Miriam Sieg |
Maren März |
Research Article: Sieg, M., Roselló Atanet, I., Tomova, M.T. et al. Discovering unknown response patterns in progress test data to improve the estimation of student performance. BMC Med Educ 23, 193 (2023). https://doi.org/10.1186/s12909-023-04172-w
Conference paper: Gemeinsame Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) und des Arbeitskreises zur Weiterentwicklung der Lehre in der Zahnmedizin (AKWLZ).2022.Halle/Saale. DOI: 10.3205/22gma036
Talks:
2022 Institut für Biometrie und Klinische Epidemiologie, Charité - Universitätsmedizin Berlin
2021 Kooperationstreffen AG PTM
Unsupervised Learning - unüberwachtes Lernen
Unüberwachtes Lernen verwendet Algorithmen des maschinellen Lernens, um nicht kategorisierte bzw. ungekennzeichnete Datensätze zu analysieren und in Gruppen zusammenzufassen. Diese Algorithmen entdecken zugrunde liegende Strukturen, versteckte Muster oder Datengruppierungen, ohne dass ein menschliches Eingreifen erforderlich ist. Sie können eingeteilt werden in Clustering- und Assoziationsalgorithmen:
- Beim Clustering werden inhärente Gruppierungen in den Daten eruiert, z. B. die Gruppierung von Kunden nach ihrem Kaufverhalten.
- Bei der Assoziation werden Regeln oder Zusammenhänge eruiert, z. B. dass Personen, die X kaufen, auch dazu neigen, Y zu kaufen.
Da diese Algorithmen Ähnlichkeiten und Unterschiede in Informationen entdecken, werden sie für explorative Datenanalysen, Kundensegmentierungen und Bilderkennungen eingesetzt.