Hochschule Darmstadt - Fb Informatik

Drucken| Layout| Design| Schriftgröße English|
Modulbeschreibung
Modul:Data Mining
Belegnummern:41.5036 [PVL 41.5037]
Sprache:deutsch
Zuordnung:Dualer Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
Dualer Master 2013 - Vertiefung WI: Wirtschaftsinformatik
Master 2013 - Katalog AS: Anwendungs- und systemorientierte Module
Master 2013 - Vertiefung WI: Wirtschaftsinformatik
Lehrform:V+P = Vorlesung+Praktikum
SWS:3+1
CP:6
Prüfung:Klausur
Anmeldung zur Prüfung:explizit und unabhängig von der Belegung
PVL (z.B. Praktikum):unbenotet (unbenotetes Praktikum)
Häufigkeit des Angebots:jährlich (zuletzt im SS 2019)
Erforderliche Vorkenntnisse:Statistik-Grundlagen
Lernziele:Die Studierenden werden
  • Methoden der (statistischen) Datenvorbereitung für Mining Verfahren strategisch und semantisch bewerten und anwenden können,
  • wichtige Verfahren des Data Mining kennen lernen, bewerten und strategisch anwenden können,
  • die zugrunde liegenden Methoden des maschinellen Lernens so weit verstehen, dass die möglichen Parametrisierungen der entsprechenden Algorithmen optimal angewandt werden können,
  • Muster und Modelle bewerten und bzgl. ihrer Güte vergleichen können,
  • sensibilisiert sein bzgl. der Notwendigkeit und den technischen Umsetzungsmöglichkeiten zu privacy preserving Verfahren, insbesondere im Zusammenhang mit Verfahren des verteilten Data Mining.
Lehrinhalte:
  • Methodiken zur Durchführung der vorbereitenden Prozesse des
    • Datenverständnis, der
    • Datenvorbereitung (u.a. Integration unterschiedlicher Datenquellen, Datenbereinigung, Beseitigung von Inkonsistenzen, Umgang mit fehlenden Werten, verrauschten Daten etc.), sowie der
    • Modellierung und Parametrisierung zur Anwendung der ausgewählten Mining-Verfahren
  • Verfahren der
    • Klassifikation und Regression incl. Ensemblemethoden, der
    • Segmentierung (Clusteranalyse),
    • Assoziationsregeln / Frequent Items und Sequenzanalyse sowie
    • Grundlagen der Zeitreihenanalyse
  • Aspekte des privacy preserving und des verteilten Data Mining
  • Die zugrunde liegenden mathematischen Methoden der unterschiedlichen algorithmischen Lösungsansätze werden erarbeitet.
Literatur:
  • Han, Kamber, Pei: Data Mining - Concepts and Techniques, Morgan Kaufmann Publishers, 3. Auflage 2012
  • Nisbet, Elder, Miner: Handbook of Statistical Analysis & Data Mining Applications, Elsevier Academic Press, 2009
  • Witten, Frank, Hall, Pal: Data Mining: Practical Machine Learning Tools and Techniques, Morgan Kaufmann Series in Data Management Systems, 4th Edition 2017
  • Forschungspapiere (werden im Rahmen der Vorlesung bereitgestellt)
Arbeitsformen / Hilfsmittel:
  • seminaristische Vorlesung
  • Praktikum in Gruppen à max. 2 Studierenden, Anwendung von Miningtools im Rahmen des Praktikums
  • Hilfsmittel: Folien, Forschungspapiere
Modulverantwortung:Inge Schestag
Freigabe ab:WS 2018/2019
Angebot im SS 19:Schestag
LN: Schestag
Fachliche Kompetenzen:
  • Formale, algorithmische, mathematische Kompetenzen: hoch
  • Analyse-, Design- und Realisierungskompetenzen: mittel
  • Technologische Kompetenzen: mittel (Entwicklungsprozess, Strategischer Einsatz von Werkzeugen, Gütebeurteilung von Modellen und Ergebnissen)
  • Befähigung zum Wissenschaftlichen Arbeiten: schwach
Überfachliche Kompetenzen:
  • Projektbezogene Kompetenzen: mittel
  • Fachübergreifende Sachkompetenzen: Technische und naturwissenschaftliche Grundkompetenz, Wirtschaftliche Grundkompetenz
  • Sozial- und Selbstkompetenzen: Analysekompetenz, Urteilskompetenz, Entscheidungskompetenz

[Fachbereich Informatik] [Hochschule Darmstadt]
© 2008 - 2019 FBI OBS Team. Alle Rechte vorbehalten.