MLU
INF.01081.06 - Data Mining (Complete module description)
Original version English
INF.01081.06 5 CP
Module label Data Mining
Module code INF.01081.06
Semester of first implementation
Faculty/Institute Institut für Informatik
Module used in courses of study / semesters
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation (WS 2009/10 - SS 2016) > Datenbanken und Informationssysteme
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Datenbanken und Informationssysteme
  • Geographie (MA120 LP) (Master) > Geographie/Erdkunde GeographieMA120, Version of accreditation (WS 2009/10 - SS 2015) > W 02 Informatik
  • Geographie (MA120 LP) (Master) > Geographie/Erdkunde GeographieMA120, Version of accreditation (WS 2015/16 - SoSe 2024) > W 02 Informatik
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2006/07 - SS 2013) > Primärmodule
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2006/07 - SS 2013) > Primärmodule
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2006/07 - SS 2013) > Primärmodule
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2013/14 - SS 2016) > Basismodule der Vertiefungsrichtung `Datenbanken und Data Mining`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2013/14 - SS 2016) > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2013/14 - SS 2016) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2013/14 - SS 2016) > Vertiefende Module der Vertiefungsrichtung `eHumanities`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Basismodule der Vertiefungsrichtung `Datenbanken und Informationssysteme`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Vertiefende Module der Vertiefungsrichtung `Bioinformatik`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation (WS 2016/17 - WS 2022/23) > Vertiefende Module der Vertiefungsrichtung `eHumanities`
  • Wirtschaftsinformatik (Business Information Systems) (MA120 LP) (Master) > Wirtschaftsinformatik WirtschaftsinformatMA120, Version of accreditation (SS 2016 - SS 2020) > II. Wahlbereich Informatik
  • Wirtschaftsinformatik (Business Information Systems) (MA120 LP) (Master) > Wirtschaftsinformatik WirtschaftsinformatMA120, Version of accreditation valid from WS 2020/21 > 1.3 Informatik
  • Wirtschaftsinformatik (Business Information Systems) (MA120 LP) (Master) > Wirtschaftsinformatik WirtschaftsinformatMA120, Version of accreditation (WS 2008/09 - WS 2015/16) > II. Informatik
  • Wirtschaftsinformatik (Business Information Systems) (MA120 LP) (Master) > Wirtschaftsinformatik WirtschaftsinformatMA120, Version of accreditation (WS 2008/09 - WS 2015/16) > Informatik (W)
Responsible person for this module
Further responsible persons
Doz. Dr. Alexander Hinneburg
Prerequisites
Skills to be acquired in this module
Die TeilnehmerInnen sollen befähigt werden, Konzepte des maschinellen Lernes zu verstehen und praktisch auf Fragestellungen des Data-Mining anzuwenden und die Ergebnisse zu bewerten.
Module contents
Die Veranstaltung gibt zuerst einer Einführung in die probabilistische Modellierung und stellt dann überwachte und unüberwachte Methoden des maschinellen Lernens vor. Die Methoden werden auf Data- und Text-Mining-Fragestellungen praktisch angewandt. Im letzten Teil werden Methoden aus der aktuellen Forschung zu maschinellem Lernen behandet.
1.Grundlagen der probabilistischen Modellierung
2.Überwachte Lernmethoden
3.Unüberwachte Lernmethoden
4.Anwendung auf Data- und Text-Mining-Fragestellungen
5.Evaluationsmethoden
6.Methoden aus der aktuellen Forschung zu maschinellem Lernen
Studierende sollen durch dieses Modul folgende Kompetenzen erwerben:
%u2022 Sie kennen die Grundlagen der probabilistischen Modellierung und können diese Methoden auf Probleme des maschinellen Lernes anwenden.
%u2022 Sie verstehen Bayessche Netzwerke und können diese Netzwerke in Verbundverteilungen übersetzen. Ebenso können sie probabilistische Eigenschaften direkt aus den Netzwerken ableiten.
%u2022 Sie kennen approximative Methoden, um Posterior-Verteilungen von versteckten Variablen in Bayesschen Netzwerken zu schätzen und können diese Methoden selbstständig auf gegebene Modelle anwenden.
%u2022 Sie kennen Evaluationsmethoden für Modelle des maschinellen Lernens und können diese Methoden auf konkrete Problemstellungen anwenden.
%u2022 Sie können passende Modelle des maschinellen Lernens für konkrete Data-Mining Problemstellungen auswählen und derer Eigenschaften einschätzen.
%u2022 Sie können Forschungsartikel aus dem Bereich Maschinelles Lernen und Data Mining verstehen und Ergebnisse aus diesen Artikeln reproduzieren.
Forms of instruction Lecture (2 SWS)
Exercises (2 SWS)
Course
Course
Languages of instruction German, English
Duration (semesters) 1 Semester Semester
Module frequency jedes Wintersemester
Module capacity unlimited
Time of examination
Credit points 5 CP
Share on module final degree Course 1: %; Course 2: %; Course 3: %; Course 4: %.
Share of module grade on the course of study's final grade 1
Reference text
Vertiefendes Modul der Vertiefungsrichtung "Datenbanken und Data Mining", Basismodul der Vertierungsrichtung "eHumanities"
Module course label Course type Course title SWS Workload of compulsory attendance Workload of preparation / homework etc Workload of independent learning Workload (examination and preparation) Sum workload
Course 1 Lecture Vorlesung 2 0
Course 2 Exercises Übung 2 0
Course 3 Course Bearbeitung der Arbeitsblätter Übungsaufgaben 0
Course 4 Course Ausarbeitung des Projekts und des Berichts 0
Workload by module 150 150
Total module workload 150
Examination Exam prerequisites Type of examination
Course 1
Course 2
Course 3
Course 4
Final exam of module
Aktive Mitarbeit: es müssen 75% der Arbeitsblätter für die Vorlesung, 75% der praktischen Übungen sinnvoll bearbeitet, drei von vier Zwischentests bestanden und ein Vortrag über das Projekt gehalten werden.
Bericht
Exam repetition information
Prerequisites and conditions Prerequisites Frequency Compulsory attendance Share on module grade in percent
Course 1 Winter semester No %
Course 2 Winter semester No %
Course 3 Winter semester No %
Course 4 Winter semester No %