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 |
|
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 | % |