052813 VU Scientific Data Management (2018S)
Prüfungsimmanente Lehrveranstaltung
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 12.02.2018 09:00 bis Di 20.02.2018 23:59
- Abmeldung bis So 18.03.2018 23:59
Details
max. 25 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Donnerstag
01.03.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
06.03.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
08.03.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
13.03.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
15.03.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
20.03.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
22.03.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
10.04.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
12.04.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
17.04.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
19.04.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
24.04.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
26.04.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
03.05.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
08.05.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
15.05.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
17.05.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
24.05.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
29.05.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
05.06.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
07.06.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
12.06.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
14.06.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
19.06.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
21.06.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Dienstag
26.06.
15:00 - 16:30
Hörsaal 2, Währinger Straße 29 2.OG
Donnerstag
28.06.
08:00 - 09:30
Hörsaal 2, Währinger Straße 29 2.OG
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Aktive Mitarbeit
Bearbeitung von Übungsblättern
Bearbeitung von Programmieraufgaben in Gruppen
Abschlusstest
Bearbeitung von Übungsblättern
Bearbeitung von Programmieraufgaben in Gruppen
Abschlusstest
Mindestanforderungen und Beurteilungsmaßstab
Es wird empfohlen, dass die folgenden Kurse vor dieser LV abgeschlossen werden:
- Algorithmen und Datenstrukturen
- Datenbanksysteme
- Software Engineering
- Einführung in Scientific Computing
- Netzwerktechnologien- 20% Übungsblätter (Hausaufgaben, welche individuell gelöst werden, Vorlesungsfolien können verwendet werden)- 40% Programmierübungen im Team
(Hilfsmittel: API, Vorlesungsfolien)- 40% schriftlicher Abschlusstest (ohne Hilfsmittel)Anwesenheit in den Vorlesungen ist verpflichtend.>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
- Algorithmen und Datenstrukturen
- Datenbanksysteme
- Software Engineering
- Einführung in Scientific Computing
- Netzwerktechnologien- 20% Übungsblätter (Hausaufgaben, welche individuell gelöst werden, Vorlesungsfolien können verwendet werden)- 40% Programmierübungen im Team
(Hilfsmittel: API, Vorlesungsfolien)- 40% schriftlicher Abschlusstest (ohne Hilfsmittel)Anwesenheit in den Vorlesungen ist verpflichtend.>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
Clustering:
- K-means und Varianten
- dichtebasiertes Clustering
- auf massiv großen Daten
MapReduce
Apache Spark
Merkmalsräume
Hashing (LSH)
Indexing
Granger Causality
- K-means und Varianten
- dichtebasiertes Clustering
- auf massiv großen Daten
MapReduce
Apache Spark
Merkmalsräume
Hashing (LSH)
Indexing
Granger Causality
Literatur
Ester M., Sander J. Knowledge Discovery in Databases: Techniken und Anwendungen.
J. Leskovec, A. Rajaraman, J. Ullman. Mining of Massive Datasets.
J. Han, M. Kamber, J.Pei.Data Mining: Concepts and Techniques.
I. H. Witten , E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques.
J. Leskovec, A. Rajaraman, J. Ullman. Mining of Massive Datasets.
J. Han, M. Kamber, J.Pei.Data Mining: Concepts and Techniques.
I. H. Witten , E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques.
Zuordnung im Vorlesungsverzeichnis
Module: SDM
Letzte Änderung: Mo 07.09.2020 15:30
- 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 Scientific Computing.