052813 VU Scientific Data Management (2022S)

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 14.02.2022 09:00 bis Do 24.02.2022 10:00
Abmeldung bis Mo 14.03.2022 23:59

Details

max. 25 Teilnehmer*innen

Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

    
    Dienstag
    01.03.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    02.03.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    08.03.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    09.03.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    15.03.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    16.03.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    22.03.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    23.03.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    29.03.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    30.03.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    05.04.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    06.04.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    26.04.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    27.04.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    03.05.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    04.05.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    10.05.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    11.05.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    17.05.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    18.05.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    24.05.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    25.05.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    31.05.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    01.06.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Mittwoch
    08.06.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    14.06.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    15.06.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    21.06.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    22.06.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
    
    Dienstag
    28.06.
    15:00 - 16:30
    Hörsaal 2, Währinger Straße 29 2.OG
    
    Mittwoch
    29.06.
    18:30 - 20:00
    Hörsaal 3, Währinger Straße 29 3.OG
Seminarraum 7, Währinger Straße 29 1.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Veranstaltung vermittelt zentrale Methoden für die Organisation und Analyse von großen wissenschaftlichen Datenbeständen: Verteilte Datenrepositories, Index- und Zugriffstrukturen, Hashing, Klassifikations- und Clusteringtechniken. Es werden spezielle Verfahren für strukturierte Daten wie Mengen, Bilder, Dokumente und Graphen behandelt. In Programmierübungen lernen die Studierenden effiziente Verfahren für die Ähnlichkeitssuche und das Data-Mining auf großen Datenmengen kennen z.B. Parallelisierung (MapReduce, SPARK) und Filter-Verifikations-Techniken.

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

Überfachliche Ziele
- Teamarbeit
- Verbesserung der Programmierkenntnisse
- Verständnis für Zusammenspiel von Datenanalyse 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
- Netzwerktechnologien

30% Übungsblätter
30% Programmierübungen im Team
40% schriftlicher Abschlusstest

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

Prüfungsstoff

Scientific Data and Feature Spaces
Clustering
Big Data Frameworks
Searching Numerical Data
Searching Sets
Searching & Mining Graphs
Analyzing Large Networks

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: Mi 12.10.2022 10:50