Übung: Data Mining und maschinelles Lernen (Übung) - Details

Übung: Data Mining und maschinelles Lernen (Übung) - Details

Allgemeine Informationen

Veranstaltungsname Übung: Data Mining und maschinelles Lernen (Übung)
Semester WiSe 2026/27
Aktuelle Anzahl der Teilnehmenden 38
Heimateinrichtung Leitung des Instituts für Informatik
Beteiligte Einrichtungen Bioinformatik, Praktische Informatik (Bioinformatik), Praktische Informatik (Datenbanken)
Veranstaltungstyp Übung in der Kategorie Offizielle Lehrveranstaltungen
Nächster Termin Mittwoch, 28.10.26, 14:15 - 15:45 Uhr GPU-Pool Informatik (3.02) [VSP 1]
Lehrsprache(n) Deutsch
SWS 2+2
ECTS-Punkte 5

Studienbereiche

Modulzuordnungen

Kommentar/Beschreibung

Data Mining ist es eines der interessantesten Gebiete der Informatik, weil es Datenbanken, Maschinelles Lernen, Effiziente Algorithmen und Visualisierung mit modernen Anwendungen wie Text-Analyse, Bioinformatik und Business Intelligence verbindet.

In der Vorlesung werden zuerst Grundlagen für Grafische Modelle eingeführt, die eine intuitiven Methode zum Modellieren von Wahrscheinlichkeitsverteilungen darstellen. Viele behandelten Algorithmen werden auf diese Grundlage zurückgeführt. Geplant sind Methoden und Algorithmen zur Berechnung von Clustern und Themen, zur Klassifikation, Regression und Vorhersage auf der Grundlage von grafischen Modellen zu entwickeln. Für graphische Modelle werden verschiedene Lernalgorithmen und Evaluationsmethoden vorgestellt. Der letzter Teil führt Neuronale Netze und moderne Deep-Learning-Architekturen wie Variational-Autoencoder und Transformer ein.

In der Veranstaltung wird Julia als Programmiersprache genutzt. Gerade im letzten Teil wird es notwendig sein, Grafik-Karten (Nvidea) zum Training der Neuronalen Netze zu verwenden. Julia ist als Programmiersprache dafür sehr gut geeignet. Wenn Sie keine Nvidea-Grafikkarte besitzen, sollten Sie einplanen zur Übung zum kommen. Die Computer im Pool 3.02 sind mit solchen Grafikkarten ausgestattet.

Bei den Anwendungsbeispielen werden wir uns auf Text-Mining konzentrieren. Texte bieten im Gegensatz zu anderen Daten, eine direkte Möglichkeit des Verständnisses. Dies hilft eine intuitive Vorstellung zu entwickeln, was die Algorithmen eigentlich tun. Daneben lassen sich diese Anwendungen oft auf andere Anwendungsfelder in der Bio- und Wirtschaftsinformatik übertragen.