Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

052311 VU Data Mining (2020W)

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").

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

Die Vorlesung wird in einem hybriden Modus abgehalten, d.h. die Vorlesungen werden soweit möglich vor Ort abgehalten und aufgezeichnet. Die Aufzeichnungen werden dann via Moodle verfügbar gemacht.
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.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Aktive Mitarbeit
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 Analysis

40% Übungsblätter
30% Programmierübungen im Team, sowie gegenseitige Beurteilung
30% Abschlusstest

Notenskala:
>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)

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.

Zuordnung im Vorlesungsverzeichnis

Module: DM

Letzte Änderung: Mo 28.09.2020 15:28