Universität Wien

052300 VU Foundations of Data Analysis (2022W)

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").

Details

max. 50 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Mittwoch 05.10. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 06.10. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 12.10. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 13.10. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 19.10. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 20.10. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Freitag 21.10. 13:00 - 14:45 BIG-Hörsaal Hauptgebäude, Tiefparterre Stiege 1 Hof 1
Donnerstag 27.10. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 03.11. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 09.11. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 10.11. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 16.11. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 17.11. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 23.11. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 24.11. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 30.11. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 01.12. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 07.12. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 14.12. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 15.12. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 11.01. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 12.01. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 18.01. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 19.01. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Mittwoch 25.01. 09:45 - 11:15 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7
Donnerstag 26.01. 11:30 - 13:00 Hörsaal 7 Hauptgebäude, Hochparterre, Stiege 7

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Please do not come to the university if you feel sick or are COVID positive. Attend the first meeting on October, 5 at 09:45 - 11:15 over Zoom at https://univienna.zoom.us/j/63077646208?pwd=VjNHTkI3QWg5RXB0WERZM3dpQ0QxUT09

Access Code: 881017

Today's currency is data. However, data is only useful if we are able to extract useful information from it. This is the aim of data analysis in general. This course aims to survey the foundations of data analysis. This includes concepts from statistical inference, regression analysis, classification analysis, clustering analysis, dimensionality reduction.
Concepts as well as techniques are introduced and practiced.

Methods: lectures, of pre-recorded video lectures with live (offline or online) lectures and review sessions. New video lectures, tutorials and other learning materials will be made available on Moodle on an ongoing basis. In the review sessions, we will review the most important concepts introduced in the videos and answer any questions you may have.

Art der Leistungskontrolle und erlaubte Hilfsmittel

- 2 labs (i.e. programming exercises including peer review), for each lab you will get a maximum of 18% of the required points.

- 2 pen-and-paper exercise sheets. They serve as a preparation for the exams. For each exercise sheet you will be able to get a maximum of 5% of the required points.

- 2 exams, one mid-term and one final, each 25% of the total points.

Furthermore you can complete:

- 1 exercise sheet to assess your current mathematical (prerequisite) knowledge, 1% of the total points.

- 3 anonymized feedbacks, each 1% of the total points.

- in addition you can earn at most 10% of bonus points for completing voluntary quizzes

Mindestanforderungen und Beurteilungsmaßstab

For bachelor students, the mandatory prerequisite for this class is the successful completion of the following courses:
- StEOP
- Programmierung 2 (PR2)
- Mathematische Grundlagen der Informatik 2 (MG2)
- Theoretische Informatik (THI)
- Modellierung (MOD)
- Algorithmen und Datenstrukturen (ADS)

Grading will be done according to the following scheme:
1 – at least 87.5%
2 – at least 75.0%
3 – at least 60.0%
4 – at least 40.0%

To pass the course, you need at least 30% of the total score in all assignments combined with 30% of the total score of the exams.

In order to successfully pass the course, regular attendance is strongly recommended, however not mandatory.

For the assignments no aids are allowed.

Prüfungsstoff

1. Models, Statistical Inference, and General Techniques
1.1. Fundamental Concepts in Inference
1.2. Parametric Inference
1.3. Data Splitting, Cross-Validation
2. Regression Modelling
2.1. Simple Linear Regression
2.2. Multiple Regression
2.3. Further Regression Methods
2.4. Generalized Linear Models
2.5. Regression Trees
3. Classification Modelling
3.1. Decision Theoretic Introduction; Error rates, and Bayes Optimality
3.2. Logistic Regression
3.3. Classification Trees
3.4. Support Vector Machines
3.6. Further Classification Methods
4. Neural Networks
5. Basic Techniques of Unsupervised Learning
5.1. Dimension Reduction (Matrix Factorization)
5.2. Association Rules
6. Clustering Methods
6.1. Partitioning Clustering
6.2. Hierarchical Clustering
6.3. Density-based Clustering
6.4. Evaluation and Validation of Clustering Results

Literatur

Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer 2007.

Han, Kamber: Data Mining: Concepts and Techniques, Elsevier 2012.

Hastie-Tibshirani-Friedman: The Elements of Statistical Learning, Springer 2009.

James-Witten-Hastie-Tibshirani: An Introduction to Statistical Learning with Applications in R, Springer 2015.

Shai Shalev-Shwartz, Shai Ben-David: Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press 2014.

Zuordnung im Vorlesungsverzeichnis

Module: FDA AKM SWI STW

Letzte Änderung: Mo 14.11.2022 07:28