INF.08063.01 | 5 CP |
---|---|
Module label | Data Mining und Maschinelles Lernen |
Module code | INF.08063.01 |
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 der Modellierung von Anwendungen mit neuronalen Netzen 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 und der Modellierung von Anwendungen mit neuronalen Netzen 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 Modellierung von Anwendungen mit neuronalen Netzen und probabilistischen Methoden 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 Methoden zum Lernen von neuronalen Netzen und können diese Methoden selbstständig auf gegebene Modelle anwenden. |
Forms of instruction |
Seminar (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 | Basismodul der Vertierungsrichtung Datenbanken und Informationssysteme, vertiefendes Modul für die Vertiefungsrichtung eHumanities, Bildanalyse und maschinelles Lernen, Bioinformatik |
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 | Seminar | Seminar | 2 | 0 | ||||
Course 2 | Exercises | Übung | 2 | 0 | ||||
Course 3 | Course | Bearbeitung der Arbeitsblätter und 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 | Erfolgreiche Bearbeitung von Übungsaufgaben: die Übungen umfassen Arbeitsblätter, Programmieraufgaben und Testate. |
mündl. Prüfung oder Klausur oder 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 | % |