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

052311 VU Data Mining (2023W)

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. 25 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Dienstag 03.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 05.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 10.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 12.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 17.10. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 19.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 24.10. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 31.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 07.11. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 09.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 14.11. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 16.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 21.11. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 23.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 28.11. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
    Seminarraum 8, Währinger Straße 29 1.OG
  • Donnerstag 30.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 05.12. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 07.12. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 12.12. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 14.12. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 09.01. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 11.01. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 16.01. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 18.01. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 23.01. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
    Hörsaal 3, Währinger Straße 29 3.OG
  • Donnerstag 25.01. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 30.01. 15:00 - 16:30 Hörsaal 3, Währinger Straße 29 3.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

The lectures in this course will be given on-site and streamed via BigBlueButton. Exercise sessions will be on-site only and attending them is mandatory. The midterm and final exams will be on-site.

Important: Attendance in the first lecture on Tuesday 3.10. at 3 pm is mandatory. Due to the expected high number of participants, you can join online.

The lecture covers essential topics in data mining and machine learning with graphs and focuses on recent research on the following topics:
1. Graph kernels
2. Graph neural Networks
3. Centrality measures
4. Diffusion processes on graphs
5. Knowledge graphs and time evolving graphs

Subject-specific goals:
- Understanding the characteristics of graph data
- Methods and techniques for mining and learning with graphs
- Analysis and interpretation of graph-structured scientific data

Generic goals:
- Teamwork
- Improvement of programming skills
- Understanding of interplay in data mining, machine learning and other disciplines

Art der Leistungskontrolle und erlaubte Hilfsmittel

Active participation
Exercise sheets (individual work)
Programming assignments (group work)
Midterm and final exam (individual work)

Mindestanforderungen und Beurteilungsmaßstab

A mandatory prerequisite for this class is the successful completion of FDA (052300 VU Foundations of Data Analysis) or an equivalent lecture. Experience in programming in Python is expected.

Components:
30% Exercise sheets
30% Programming exercises in teams, peer-review
40% Midterm and final exam

To successfully complete the course, you must achieve at least 40% of the points in the midterm and at least 40% of the points in the final exam.

Grading:
>87,00 %: 1
between 75,00 % and 86,99 %: 2
between 63,00 % and 74,99 %: 3
between 50,00 % and 62,99 %: 4
< 50%: 5

Prüfungsstoff

- Kernel methods
- Graph kernels
- Graph neural networks
- Centrality measures
- Diffusion processes on graphs
- Network evolution
- Knowledge graphs

Literatur

Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, MIT Press, 2017.

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

Karsten M. Borgwardt, M. Elisabetta Ghisu, Felipe Llinares-López, Leslie O'Bray, Bastian Rieck: Graph Kernels: State-of-the-Art and Future Challenges. Found. Trends Mach. Learn. 13(5-6) (2020)

David Easley and Jon Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World

Albert-László Barabási, Network Science

Zuordnung im Vorlesungsverzeichnis

Module: DM

Letzte Änderung: Do 30.11.2023 11:47