cas-pml/NSL/notizen/L1_Notizen.md

Notizen NSL Lektion 1

Thema: Unsupervised Learning Datum: 18.06.2026 Dozentin: Matthias Dehmer

Recap

Supervised Learning

• Input: Arbeitet auf Daten (Feature Vektoren) mit Labels
• Output: Modell für Prediction
• Regression:
  • Daten X (Features) gegeben -> man will Y (Zielgrösse) vorhersagen
  • Gesucht ist eine Funktion f mit \hat{y} = f(x) für eine Vorhersage
• Klassifikation
  • Binär
  • Multiclass
• Applications
  • Spam Filtering
  • Image Classification
  • Gesture Recognition
  • Fraud Detection

Unsupervised Learning

• Input: Arbeitet auf Daten (Feature Vektoren) ohne Labels
• Output: Model discovering underlying data structure of the data
• Methoden
  • Clustering
  • Dimension Reduction
  • Association Rules
• Anwendungen
  • Exploratory Data Analysis
  • Outlier Detection
  • Data Compression
  • Denoising

Reinforcement Learning

• Input: Current observed State from Environment and reward score
• Output: Agent chooses next action
• Methoden:
  • Control
  • Q-Learning
• Applications
  • Games (Chess, Go)

Recap: Supervised Learning

• Viele Machine Learning Probleme lassen sich in einfache Optimierungsprobleme überführen
  • Fehlerquadratsumme (Methode der kleinsten Quadrate)

Recap: Lineare Regression

• Problem: Wir wollen eine gute Approximation der Daten durch eine Gerade (Linearitätsforderung)
• Vorgehen: Gerade in die Punktwolke legen und Parameter solange anpassen bis Fehler (Epsilon) minimal sind
  • Wobei Epsilon: \epsilon_i = y_i - \hat{y}_i
• Wir suchen eine Gerade, mit der Bedingung, dass die quadratische Summe aller Epsilon minimal wird
  • \min \sum_{i=1}^{n} \epsilon_i^2 = \min \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
• Zur Analyse immer einen Scatterplot machen
  • Dabei sieht man von Auge bereits ob eine Linearität vorhanden ist

Unsupervised Learning

• Keine Labels
  • Es gibt keine Outcome Variable
• Wie kann man sich das vorstellen
  • Data is generated by some unknown process
  • Unsupervised learning finds patterns in the data
• Methoden
  • Clustering (k-Means, Hierarchical, DBSCAN)
  • Density Estimation: Gaussian Mixture Models
  • Dimensionality Reduction
  • Neural Networks
    • Autoencoder
    • Generative Adversarial Models
    • Restricted Boltzman Machines

Clustering

• Clustering ist der Prozess der eine Gruppe in Untergruppen aufteilt
• Elemente in Untergruppen sind sich ähnlich
• Schwierig ist es ein Ähnlichkeitsmass (measure) zu finden
• Die Anzahl der Cluster hängt von der Anwendung ab
  • intra-cluster measure -> tightness (Homogenität) of the cluster
  • inter-cluster measure -> Daten sollen so gewählt werden, dass sie sich nicht überlappen
• Hauptproblem des Clusterings
  • Wir haben einen Datensatz D den wir clustern wollen
  • D enthält Altersangaben
  • Wir schicken D durch einen Clusteringalgorithmus
  • Wir erhalten C1-3
    • C1: 20-30
    • C2: 40-50
    • C3: 60-80
  • K-Means braucht eine Angabe wieviele Cluster zu erzeugen sind
  • Wieviele Cluster sind denn aber sinnvoll?
• Zwei wesentliche Forderungen beim Clustern
  1. Cluster sollen homogen sein (gleich verteilte Abstände innerhalb des Clusters)
  2. Cluster sollen heterogen getrennt sein (nicht überlappen)
• Wir sehen: Die Anzahl der Cluster ist nicht eindeutig
  • C1,C2: Schreibweise |C| = 2 "Die Grösse der Cluster C ist 2"
• Wie messen wir die Homogenität in folgendem Fall?
  • c1 = {2,4,6}
  • c2 = {2,15,80}
  • Man könnte sich die Abstände zum Centroiden anschauen
  • Hom(C1) > Hom(C2)

Anwendung von Clustering

• Ähnlichkeit von Kunden, Krankheiten, Produkte
• Betrugserkennung
• Bspw. Intrusion Detection in Netzwerken
  • Vergleich session duration zu transmitted bytes
  • ssh -> lange Session Zeit aber nicht viel Daten
  • web traffic -> kurze Session Zeit aber viele Daten
  • Alle Verbindungen, die nicht in diese Cluster passen, sind "verdächtig"

Dimensionsreduktion von Datensets

• Warum soll man Dimensionen reduzieren?
  • Man fischt sich diejenigen Dimensionen heraus, welche für die gewünschte Information wichtig sind
  • Alle ohne nützliche Information werden eliminiert (Projektion der gewünschten Dimension)
• Eine Art wie man Dimensionen reduzieren kann, ist PCA
  • Principal Component Analysis
  • Vereinfacht komplexe Datensets und behält dabei die wichtigsten Strukturen
• Wie funktioniert eine Dimensionsreduktion dim1000 zu dim2 mit PCA?
  1. PC1: Man legt eine Achse in die Richtung wo die Varianz maximal ist
  2. PC2: Richtung der maximalen verbleibenden Varianz, die orthogonal zu PC1 steht
     • Bei einer (symmetrischen) Kovarianzmatrix sind die Eigenvektoren ohnehin paarweise orthogonal
  • Allgemein: PC$_k$ = Eigenvektor zum $k$-grössten Eigenwert der Kovarianzmatrix

Begriffe in der Dimensionsreduktion

• Varianz
  • Streuung um den Mittelwert
  • Population vs. Stichprobe (Bessel-Korrektur mit n-1):

\sigma^2 = \frac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})^2 \qquad s^2 = \frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})^2

• Kovarianz
  • Mass für das gemeinsame Streuen zweier Variablen (steigen sie zusammen oder gegenläufig?)
  • Hinweis: Kovarianz ist nicht die Steigung — die Regressionssteigung ist \beta = \mathrm{Cov}(X,Y)/\mathrm{Var}(X)
  • Ist nicht begrenzt im Gegensatz zur Korrelation (\rho = \mathrm{Cov}(X,Y)/(\sigma_X \sigma_Y) \in [-1, 1])

\mathrm{Cov}(X,Y) = \frac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})

• Kovarianz-Matrix
  • Für zentrierte Datenmatrix X_c \in \mathbb{R}^{n \times d} (Mittelwert pro Spalte abgezogen)
  • d \times d, symmetrisch, positiv semidefinit
  • Diagonale = Varianzen, off-diagonal = Kovarianzen

\Sigma = \frac{1}{n}\, X_c^{\top} X_c \qquad \Sigma_{jk} = \mathrm{Cov}(X_j, X_k)

• Eigenwert-Problem (Lambda)
  • Korrektur: die Eigenwerte \lambda sind die Nullstellen des charakteristischen Polynoms (nicht die Eigenvektoren)
  • Definition: A\mathbf{v} = \lambda \mathbf{v} \iff (A - \lambda I)\mathbf{v} = \mathbf{0}
  • Nicht-triviale Lösung existiert nur, wenn \det(A - \lambda I) = 0 (charakteristisches Polynom)
  • Vorgehen: 1) \lambda aus dem char. Polynom bestimmen, 2) je \lambda den Eigenvektor \mathbf{v} aus (A - \lambda I)\mathbf{v} = \mathbf{0} lösen
  • In der PCA: Eigenwert \lambda_i = Varianz entlang PC$_i$; Gesamtvarianz = \mathrm{tr}(\Sigma) = \sum_i \lambda_i; erklärter Varianzanteil = \lambda_i / \sum_j \lambda_j

PCA Vorgehen

1. Daten zentrieren (Mittelwert pro Feature abziehen); bei unterschiedlichen Skalen zusätzlich standardisieren (auf Einheitsvarianz)
2. Kovarianzmatrix \Sigma berechnen
3. Eigenwert-Problem lösen -> Eigenwerte \lambda_i und zugehörige Eigenvektoren \mathbf{v}_i
4. Endkoordinatensystem bestimmen: Eigenvektoren nach Eigenwerten absteigend sortieren, die Top-k als neue Achsen wählen und die Daten darauf projizieren (Z = X_c W, mit W = Matrix der Top-k Eigenvektoren)