Universität Wien FIND

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Vor-Ort-Lehre und Umstellung auf Online-Prüfungen) erforderlich sein. Melden Sie sich für Lehrveranstaltungen/Prüfungen über u:space an, informieren Sie sich über den aktuellen Stand auf u:find und auf der Lernplattform moodle. ACHTUNG: Lehrveranstaltungen, bei denen zumindest eine Einheit vor Ort stattfindet, werden in u:find momentan mit "vor Ort" gekennzeichnet.

Regelungen zum Lehrbetrieb vor Ort inkl. Eintrittstests finden Sie unter https://studieren.univie.ac.at/info.

050151 VU Methoden der Datenanalyse (2011W)

Prüfungsimmanente Lehrveranstaltung

Details

max. 25 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Dienstag 11.10. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 18.10. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 25.10. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 08.11. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 15.11. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 22.11. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 29.11. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 06.12. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 13.12. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 10.01. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 17.01. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 24.01. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)
Dienstag 31.01. 14:00 - 15:30 (ehem. Hörsaal DAC Universitätsstraße 5 Hochparterre)

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Einführung in das Data Mining; Lineare Regressionsmodelle; Klassifikation mit Logistischer Regression; Classification Trees; Cluster Analyse; verschiedene Methoden des Supervised und Unsupervised Learnings; praktische Übungen mit R

Art der Leistungskontrolle und erlaubte Hilfsmittel

Mindestanforderungen und Beurteilungsmaßstab

Praxisnahe Vermittlung von Grundkenntnissen des Data Minings; Praktische Übungen an realistischen Datensätzen mit R

Prüfungsstoff

Abschluss-Präsentation der von den Teilnehmern selbst ausgearbeiteten Praktikums-Beispiele

Literatur

Berry, M. & Linoff, G. (2004). Data Mining Techniques 2nd ed. John Wiley & Sons. Han J., KamberM. (2001). Data Mining: Concepts and Techniques. Academic Press. Hand, D., Mannila, H., Smyth P. (2001). Principles of Data Mining. MIT Press. Hastie, T., Tibshirani, R., Friedman, J. (2001). The Elements of Statistical Learning. Springer-Verlag. Witten, I., Frank, E. (2000). Data Mining. Morgan Kaufmann Publishers. Für Teilnehmer an der Lehrveranstaltung gibt es Handouts. Diese Handouts stellen kein eigenständiges Skriptum dar und sind daher für das Selbststudium nur bedingt geeignet.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Mo 07.09.2020 15:30