Data Science

Knowledge Discovery

  • Type: Vorlesung (V)
  • Semester: WS 16/17
  • Time: 19.10.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)


    26.10.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    02.11.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    09.11.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    16.11.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    23.11.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    30.11.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    07.12.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    14.12.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    21.12.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    28.12.2016
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    04.01.2017
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    11.01.2017
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    18.01.2017
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    25.01.2017
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    01.02.2017
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)

    08.02.2017
    09:45 - 11:15 wöchentlich
    05.20 1C-03 05.20 Kaiserstraße 89-93 (Allianz-Gebäude)


  • Lecturer: Prof.Dr. Rudi Studer
    Dr.Rer.Nat. Achim Rettinger
  • SWS: 2
  • Lv-No.: 2511302
Beschreibung

Knowledge Discovery ist ein etabliertes Forschungsgebiet mit einer großen Gemeinschaft, welche Methoden zur Entdeckung von Mustern und Regelmäßigkeiten in großen Datenmengen, einschließlich relationalen Datenbanken und unstrukturierte Text, untersucht.

Eine Vielzahl von Verfahren existieren, um Muster, die, wenn wertvolle interpretiert, möglicherweise bisher unbekannte, Erkenntnissen liefern. Diese Informationen können prädiktiv oder beschreibend sein.

Die Vorlesung gibt einen Überblick über Knowledge Discovery. Es werden spezifische Techniken und Methoden, Herausforderungen und aktuelle und zukünftige Forschungsthemen in diesem Forschungsgebiet vermittelt.

Literaturhinweise
  • T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (http://www-stat.stanford.edu/~tibs/ElemStatLearn/)
  • T. Mitchell. Machine Learning. 1997
  • M. Berhold, D. Hand (eds). Intelligent Data Analysis - An Introduction. 2003
  • P. Tan, M. Steinbach, V. Kumar: Introduction to Data Mining, 2005, Addison Wesley
Lehrinhalt

Inhalte der Vorlesung umfassen den gesamten Machine Learning und Data Mining Prozess mit Themen zu Crisp, Data Warehousing, OLAP-Techniken, Lernverfahren, Visualisierung und empirische Evaluation. Behandelte Lernverfahren reichen von klassischen Ansätzen wie Entscheidungsbäumen, Neuronalen Netzen und Support Vector Machines bis zu ausgewählten Ansätzen aus der aktuellen Forschung. Betrachtete Lernprobleme sind u.a. featurevektor-basiertes Lernen, Text Mining und die Analyse von sozialen Netzwerken.

Kurzbeschreibung

Die Vorlesung gibt einen Überblick über Ansätze des Maschinellen Lernens und Data Mining zur Wissensgewinnung aus großen Datenbeständen. Diese werden besonders in Hinsicht auf Algorithmen, Anwendbarkeit auf verschiedene Datenrepräsentationen und Einsatz in realen Anwendungsszenarien hin untersucht.

Arbeitsbelastung
  • Gesamtaufwand bei 5 Leistungspunkten: ca. 150 Stunden
  • Präsenzzeit: 45 Stunden
  • Vor- und Nachbereitung der LV: 67.5 Stunden
  • Prüfung und Prüfungsvorbereitung: 37.5 Stunden
Zielgruppe
  • Wirtschaftsingenieurwesen
  • Informationswirtschaft
  • Technische Volkswirtschaftslehre
  • Wirtschaftsmathematik
  • Vergleichbare Studiengänge zu Wirtschaftsingenieurwesen
Ziel

Studierende

  • kennen die Grundlagen des Maschinellen Lernen, Data Minings und Knowledge Discovery.
  • können lernfähige Systeme, konzipieren, trainieren und evaluieren.
  • führen Knowledge Discovery Projekte unter Berücksichtigung von Algorithmen, Repräsentationen and Anwendungen durch.
Prüfung

Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung (Klausur) im Umfang von 1h nach § 4, Abs. 2, 1 SPO.

Den Studenten wird durch gesonderte Aufgabenstellungen die Möglichkeit geboten einen Notenbonus zu erwerben.

Die Prüfungen wird in jedem Semester angeboten und kann zu jedem ordentlichen Prüfungstermin wiederholt werden.