Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.
052311 VU Data Mining (2020W)
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 14.09.2020 09:00 bis Mo 21.09.2020 09:00
- Abmeldung bis Mi 14.10.2020 23:59
Details
max. 25 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Donnerstag
01.10.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
06.10.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
08.10.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
13.10.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
15.10.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
20.10.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
22.10.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
27.10.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
29.10.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
03.11.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
05.11.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
10.11.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
12.11.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
17.11.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
19.11.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
24.11.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
26.11.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
01.12.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
03.12.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Donnerstag
10.12.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
15.12.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
17.12.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Donnerstag
07.01.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
12.01.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
14.01.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
19.01.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
21.01.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Dienstag
26.01.
15:00 - 16:30
Seminarraum 4, Währinger Straße 29 1.UG
Donnerstag
28.01.
08:00 - 09:30
Seminarraum 6, Währinger Straße 29 1.OG
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Aktive Mitarbeit
Bearbeitung von Übungsblättern
Bearbeitung von Programmieraufgaben in Gruppen
Gegenseitige Beurteilung
Abschlusstest
Bearbeitung von Übungsblättern
Bearbeitung von Programmieraufgaben in Gruppen
Gegenseitige Beurteilung
Abschlusstest
Mindestanforderungen und Beurteilungsmaßstab
Teilnahmevoraussetzung: FDA oder Nachweis von entsprechenden Vorkenntnissen
FDA: 052300 VU Foundations of Data Analysis40% Übungsblätter
30% Programmierübungen im Team, sowie gegenseitige Beurteilung
30% AbschlusstestNotenskala:
>87,00 % 1
zwischen 75,00 % und 86,99 %: 2
zwischen 63,00 % und 74,99 %: 3
zwischen 50,00 % und 62,99 %: 4
< 50% : 5
FDA: 052300 VU Foundations of Data Analysis40% Übungsblätter
30% Programmierübungen im Team, sowie gegenseitige Beurteilung
30% AbschlusstestNotenskala:
>87,00 % 1
zwischen 75,00 % und 86,99 %: 2
zwischen 63,00 % und 74,99 %: 3
zwischen 50,00 % und 62,99 %: 4
< 50% : 5
Prüfungsstoff
- Dimensionality reduction
- Clustern von Hochdimensionalen Daten (Subspace Clustering, Deep Clustering)
- Kernel Methods
- Data Mining und Lernverfahren für Graphen (Graph Kernels, Graph Neural Networks)
- Feature selection
- Submodular Functions
- Causal Inference (Granger Causality, Data Compression)
- Clustern von Hochdimensionalen Daten (Subspace Clustering, Deep Clustering)
- Kernel Methods
- Data Mining und Lernverfahren für Graphen (Graph Kernels, Graph Neural Networks)
- Feature selection
- Submodular Functions
- Causal Inference (Granger Causality, Data Compression)
Literatur
Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques
Tan P.-N., Steinbach M., Kumar V. Introduction to Data Mining
Ester M., Sander J. Knowledge Discovery in Databases: Techniken und Anwendungen
Goodfellow, Ian, et al. Deep learning.
Shai Shalev-Shwartz, Shai Ben-David: Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press 2014.
Nils M. Kriege, Fredrik D. Johansson, Christopher Morris: A Survey on Graph Kernels, Applied Network Science, Machine learning with graphs, 5:6, 2020.
Tan P.-N., Steinbach M., Kumar V. Introduction to Data Mining
Ester M., Sander J. Knowledge Discovery in Databases: Techniken und Anwendungen
Goodfellow, Ian, et al. Deep learning.
Shai Shalev-Shwartz, Shai Ben-David: Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press 2014.
Nils M. Kriege, Fredrik D. Johansson, Christopher Morris: A Survey on Graph Kernels, Applied Network Science, Machine learning with graphs, 5:6, 2020.
Zuordnung im Vorlesungsverzeichnis
Module: DM
Letzte Änderung: Mo 28.09.2020 15:28
Die Vorlesung deckt wesentliche Inhalte des Data Mining und Knowledge Discovery in Databases (KDD) ab und behandelt aktuelle Forschungsthemen aus Clustering, Graph Mining, Submodularity und Causal Inference.
Fachliche Ziele
- wissenschaftliche Daten analysieren und interpretieren,
- Ergebnisse der Analyse bewerten,
- Skalierbare Lösungen für große Datenmengen auswählen und implementieren,
- Anwender unterstützen und beraten.
Überfachliche Ziele
- Teamarbeit,
- Verbesserung der Programmierkenntnisse,
- Verständnis für Zusammenspiel von Data Mining und anderen Disziplinen.Wichtig: Die erste Einheit am Donnerstag, 01.10. um 08:00 Uhr wird nur online abgehalten.