053621 VU Mining Massive Data (2022S)
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 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
Freitag
04.03.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Montag
07.03.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Montag
14.03.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
18.03.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Seminarraum 6, Währinger Straße 29 1.OG
Seminarraum 6, Währinger Straße 29 1.OG
Montag
21.03.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
25.03.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Montag
28.03.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
01.04.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Seminarraum 6, Währinger Straße 29 1.OG
Seminarraum 6, Währinger Straße 29 1.OG
Montag
04.04.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
08.04.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Montag
25.04.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
29.04.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Seminarraum 6, Währinger Straße 29 1.OG
Seminarraum 6, Währinger Straße 29 1.OG
Montag
02.05.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
06.05.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Montag
09.05.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
13.05.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Seminarraum 6, Währinger Straße 29 1.OG
Seminarraum 6, Währinger Straße 29 1.OG
Montag
16.05.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
20.05.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Montag
23.05.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
27.05.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Seminarraum 6, Währinger Straße 29 1.OG
Seminarraum 6, Währinger Straße 29 1.OG
Montag
30.05.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
03.06.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Freitag
10.06.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Montag
13.06.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
17.06.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Seminarraum 6, Währinger Straße 29 1.OG
Seminarraum 6, Währinger Straße 29 1.OG
Montag
20.06.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Freitag
24.06.
09:45 - 11:15
Hörsaal III NIG Erdgeschoß
Montag
27.06.
09:45 - 11:15
Hörsaal 42 Hauptgebäude, 2.Stock, Stiege 7
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Written exam
Programming exercises
Pen & paper exercises (containing small programming tasks; and presentation of the obtainted results; discussion; attendance is mandatory)
Programming exercises
Pen & paper exercises (containing small programming tasks; and presentation of the obtainted results; discussion; attendance is mandatory)
Mindestanforderungen und Beurteilungsmaßstab
It is recommended that students attending this course have solid basic knowledge in statistics, algorithms and programming.30% Written exam
40% Programming exercises
30% Pen & paper exercises (with small programing tasks)P = Average percentage on the written exam, the programming exercises, and the pen & paper exercises87.5% <= P Sehr Gut (1)
75% <= P < 87.5% Gut (2)
62% <= P < 75% Befriedigend (3)
50% <= P < 62% Genügend (4)
0% <= P < 50% Nicht Genügend (5)At least 30% on the written exam, 50% on the programming exercises, and 50% on the pen&paper exercises must be achieved for a passing grade.
40% Programming exercises
30% Pen & paper exercises (with small programing tasks)P = Average percentage on the written exam, the programming exercises, and the pen & paper exercises87.5% <= P Sehr Gut (1)
75% <= P < 87.5% Gut (2)
62% <= P < 75% Befriedigend (3)
50% <= P < 62% Genügend (4)
0% <= P < 50% Nicht Genügend (5)At least 30% on the written exam, 50% on the programming exercises, and 50% on the pen&paper exercises must be achieved for a passing grade.
Prüfungsstoff
The presented topics in the lecture (according to slides + exercises). Referenced Literature (as indicated in detail on lecture slides).
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.
+ papers mentioned lecture slides
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.
+ papers mentioned lecture slides
Zuordnung im Vorlesungsverzeichnis
Modul: MMD
Letzte Änderung: Mi 30.03.2022 11:47
Upon successful participation in the course, students will understand principles of state-of-the-art techniques for learning from massive data and can apply and evaluate those techniques in practical applications.Lecture Contents:
* Dealing with large data (e.g., Map-Reduce, Spark)
* Fast nearest neighbor methods (e.g., Locality Senistive Hashing)
* Scalable Supervised Learning, Online learning
* Active learning
* Dimension reduction
* Clustering
* Bandits
* Recommender systemsMethod:
Lecture
+ pen & paper exercises and their discussion
+ programming exercises