052311 VU Data Mining (2021W)

6.00 ECTS (4.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik

Prüfungsimmanente Lehrveranstaltung

GEMISCHT

Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Anmeldung von Mo 13.09.2021 09:00 bis Mo 20.09.2021 09:00
Abmeldung bis Do 14.10.2021 23:59

Details

max. 25 Teilnehmer*innen

Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

    
    Dienstag
    05.10.
    15:00 - 16:30
    Digital
    
    Donnerstag
    07.10.
    08:00 - 09:30
    Digital
    
    Dienstag
    12.10.
    15:00 - 16:30
    Digital
    
    Donnerstag
    14.10.
    08:00 - 09:30
    Digital
    
    Dienstag
    19.10.
    15:00 - 16:30
    Digital
    
    Donnerstag
    21.10.
    08:00 - 09:30
    Digital
    
    Donnerstag
    28.10.
    08:00 - 09:30
    Digital
Hörsaal 42   Hauptgebäude, 2.Stock, Stiege 7
    
    Donnerstag
    04.11.
    08:00 - 09:30
    Digital
    
    Dienstag
    09.11.
    15:00 - 16:30
    Digital
    
    Donnerstag
    11.11.
    08:00 - 09:30
    Digital
    
    Dienstag
    16.11.
    15:00 - 16:30
    Digital
    
    Donnerstag
    18.11.
    08:00 - 09:30
    Digital
    
    Dienstag
    23.11.
    15:00 - 16:30
    Digital
Hörsaal 5 ZfT Philippovichgasse 11, 1.OG
    
    Donnerstag
    25.11.
    08:00 - 09:30
    Digital
    
    Dienstag
    30.11.
    15:00 - 16:30
    Digital
    
    Donnerstag
    02.12.
    08:00 - 09:30
    Digital
Hörsaal 42   Hauptgebäude, 2.Stock, Stiege 7
    
    Dienstag
    07.12.
    15:00 - 16:30
    Digital
    
    Donnerstag
    09.12.
    08:00 - 09:30
    Digital
    
    Dienstag
    14.12.
    15:00 - 16:30
    Digital
    
    Donnerstag
    16.12.
    08:00 - 09:30
    Digital
    
    Dienstag
    11.01.
    15:00 - 16:30
    Digital
    
    Donnerstag
    13.01.
    08:00 - 09:30
    Digital
    
    Dienstag
    18.01.
    15:00 - 16:30
    Digital
    
    Donnerstag
    20.01.
    08:00 - 09:30
    Digital
    
    Dienstag
    25.01.
    15:00 - 16:30
    Digital
    
    Donnerstag
    27.01.
    08:00 - 09:30
    Digital
Hörsaal 42   Hauptgebäude, 2.Stock, Stiege 7

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Veranstaltung wird in einem hybriden Modus abgehalten. Die Vorlesungen werden online über Big Blue Button gehalten, aufgezeichnet und in Moodle zur Verfügung gestellt. Wir planen Frage-und-Antwort-Runden zu den Programmieraufgaben sowie die beiden Klausuren vor Ort durchzuführen soweit es die Situation erlaubt.
Wichtig: Die erste Einheit am Dienstag, dem 05.10.2021, um 15:00 Uhr wird online abgehalten. Big Blue Button Link für die erste Einheit: https://moodle.univie.ac.at/mod/bigbluebuttonbn/guestlink.php?gid=zJv4ph9GNUEt

Die Vorlesung deckt wesentliche Inhalte des Data-Mining und Maschinellen Lernens ab und behandelt aktuelle Forschung zu folgenden Themen:
1. Clustering
2. Natural language processing
3. Lernverfahren für Graphen
4. Multi-view learning

Fachliche Ziele:
- Wissenschaftliche Daten analysieren und interpretieren
- Ergebnisse der Analyse bewerten
- Skalierbare Lösungen für große Datenmengen auswählen und implementieren
- Anwender unterstützen und beraten

Überfachliche Ziele:
- Teamarbeit
- Verbesserung der Programmierkenntnisse
- Verständnis für Zusammenspiel von Data-Mining und anderen Disziplinen

Art der Leistungskontrolle und erlaubte Hilfsmittel

Aktive Mitarbeit
Bearbeitung von Übungsblättern (Einzelleistung)
Bearbeitung von Programmieraufgaben (Gruppenarbeit)
Gegenseitige Beurteilung (Einzelleistung)
Zwischen- und Abschlusstest (Einzelleistung)

Mindestanforderungen und Beurteilungsmaßstab

Der erfolgreiche Abschluss von FDA (052300 VU Foundations of Data Analysis) oder ein Nachweis von entsprechenden Vorkenntnissen werden für die Teilnahme vorausgesetzt. Erfahrung in der Programmiersprache Python wird erwartet.

Prüfungsteile:
40% Übungsblätter
30% Programmierübungen im Team, sowie gegenseitige Beurteilung
30% Zwischen- und Abschlusstest

Um den Kurs erfolgreich abzuschließen müssen mindestens 30% der Punkte in jedem Teil erreicht werden.

Notenskala:
>87,00 % 1
zwischen 75,00 % und 86,99 %: 2
zwischen 63,00 % und 74,99 %: 3
zwischen 50,00 % und 62,99 %: 4
< 50% : 5

Prüfungsstoff

- Dimensionsreduktion
- Clustern von hochdimensionalen Daten (Subspace Clustering, Deep Clustering)
- Sequence-to-Sequence Lernverfahren
- Text Mining
- Sentiment Analysis
- Kernel Methods
- Data Mining und Lernverfahren für Graphen (Graph Kernels, Graph Neural Networks)
- Data Streams (Clustering and Classifcation)
- Granger Causality (updated, 17. Dezember 2021)

Und eventuell andere Themen wie:
- Multi-View, Multi-Instance Learning
- Gradient Boosting Trees

Literatur

Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques
Tan P.-N., Steinbach M., Kumar V. Introduction to Data Mining
Ester M., Sander J. Knowledge Discovery in Databases: Techniken und Anwendungen
Goodfellow, Ian, et al. Deep Learning
Shai Shalev-Shwartz, Shai Ben-David: Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press 2014
Nils M. Kriege, Fredrik D. Johansson, Christopher Morris: A Survey on Graph Kernels, Applied Network Science, Machine learning with graphs, 5:6, 2020
Karsten M. Borgwardt, M. Elisabetta Ghisu, Felipe Llinares-López, Leslie O'Bray, Bastian Rieck: Graph Kernels: State-of-the-Art and Future Challenges. Found. Trends Mach. Learn. 13(5-6) (2020)

Zuordnung im Vorlesungsverzeichnis

Module: DM

Letzte Änderung: Fr 12.05.2023 00:13