052813 VU Scientific Data Management (2018S)

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

Prüfungsimmanente Lehrveranstaltung

Moodle

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

Die Veranstaltung vermittelt zentrale Methoden für Organisation und Analyse von großen wissenschaftlichen Datenbeständen: verteilte Datenrepositories, Index- und Zugriffstrukturen, Hashing- und Clusteringtechniken. In Programmierübungen lernen die Studierenden Möglichkeiten der Unterstützung von Ähnlichkeitssuche und Data Mining auf großen Daten kennen z.B. Parallelisierung (MapReduce, SPARK) und Filter-refinement-Techniken.

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 Scientific Computing.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Aktive Mitarbeit
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

Prüfungsstoff

Clustering:
- 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.

Zuordnung im Vorlesungsverzeichnis

Module: SDM

Letzte Änderung: Mo 07.09.2020 15:30