Universität Wien

050151 VU Methoden der Datenanalyse (2012W)

3.00 ECTS (2.00 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").

Details

max. 25 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Dienstag 02.10. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 09.10. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 16.10. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 23.10. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 30.10. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 06.11. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 13.11. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 20.11. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 27.11. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 04.12. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 11.12. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 18.12. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 08.01. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 15.01. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 22.01. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG
  • Dienstag 29.01. 14:00 - 15:30 PC-Unterrichtsraum 2, Währinger Straße 29 1.OG

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