MLU
INF.08063.01 - Data Mining und Maschinelles Lernen (Complete module description)
Original version English
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
  • Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Version of accreditation valid from SoSe 2023 > Datenbanken und Informationssysteme (Anteil gem. § 5 Abs. 4-6, Anlage 2)
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Basismodule der Vertiefungsrichtung `Datenbanken und Informationssysteme`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bioinformatik`
  • Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Version of accreditation valid from SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `eHumanities`
  • Wirtschaftsinformatik (Business Information Systems) (MA120 LP) (Master) > Wirtschaftsinformatik WirtschaftsinformatMA120, Version of accreditation valid from WS 2020/21 > 1.3 Informatik
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 %