INF.08063.01 - Data Mining und Maschinelles Lernen (Vollständige Modulbeschreibung)

Menü

MLU

INF.08063.01	5 CP
Modulbezeichnung	Data Mining und Maschinelles Lernen
Modulcode	INF.08063.01
Semester der erstmaligen Durchführung
Fachbereich/Institut	Institut für Informatik
Verwendet in Studiengängen / Semestern	Bioinformatik (MA120 LP) (Master) > Bioinformatik BioinformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Datenbanken und Informationssysteme (Anteil gem. § 5 Abs. 4-6, Anlage 2) Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Basismodule der Vertiefungsrichtung `Datenbanken und Informationssysteme` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bildanalyse und Maschinelles Lernen` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `Bioinformatik` Informatik (MA120 LP) (Master) > Informatik InformatikMA120, Akkreditierungsfassung gültig ab SoSe 2023 > Vertiefende Module der Vertiefungsrichtung `eHumanities` Wirtschaftsinformatik (Business Information Systems) (MA120 LP) (Master) > Wirtschaftsinformatik WirtschaftsinformatMA120, Akkreditierungsfassung gültig ab WS 2020/21 > 1.3 Informatik
Modulverantwortliche/r
Weitere verantwortliche Personen	Doz. Dr. Alexander Hinneburg
Teilnahmevoraussetzungen
Kompetenzziele	Die TeilnehmerInnen sollen befähigt werden, Konzepte des maschinellen Lernes zu verstehen und praktisch auf Fragestellungen des Data-Mining anzuwenden und die Ergebnisse zu bewerten.
Modulinhalte	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.
Lehrveranstaltungsformen	Seminar (2 SWS) Übung (2 SWS) Kursus Kursus
Unterrichtsprachen	Deutsch, Englisch
Dauer in Semestern	1 Semester Semester
Angebotsrhythmus Modul	jedes Wintersemester
Aufnahmekapazität Modul	unbegrenzt
Prüfungsebene
Credit-Points	5 CP
Modulabschlussnote	LV 1: %; LV 2: %; LV 3: %; LV 4: %.
Faktor der Modulnote für die Endnote des Studiengangs	1
Hinweise	Basismodul der Vertierungsrichtung Datenbanken und Informationssysteme, vertiefendes Modul für die Vertiefungsrichtung eHumanities, Bildanalyse und maschinelles Lernen, Bioinformatik

Modulveranstaltung	Lehrveranstaltungsform	Veranstaltungstitel	SWS	Workload selbstgestaltete Arbeit	Workload Summe
LV 1	Seminar	Seminar	2		0
LV 2	Übung	Übung	2		0
LV 3	Kursus	Bearbeitung der Arbeitsblätter und Übungsaufgaben			0
LV 4	Kursus	Ausarbeitung des Projekts und des Berichts			0
Workload modulbezogen				150	150
Workload Modul insgesamt					150

Prüfung	Prüfungsvorleistung	Prüfungsform
LV 1
LV 2
LV 3
LV 4
Gesamtmodul	Erfolgreiche Bearbeitung von Übungsaufgaben: die Übungen umfassen Arbeitsblätter, Programmieraufgaben und Testate.	mündl. Prüfung oder Klausur oder Bericht
Wiederholungsprüfung

Regularien	Angebotsrhythmus	Anwesenheitspflicht	Gewicht an Modulnote in %
LV 1	Wintersemester	Nein	%
LV 2	Wintersemester	Nein	%
LV 3	Wintersemester	Nein	%
LV 4	Wintersemester	Nein	%