053621 VU Mining Massive Data (2023S)
Prüfungsimmanente Lehrveranstaltung
Labels
GEMISCHT
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 13.02.2023 09:00 bis Do 23.02.2023 09:00
- Abmeldung bis Di 14.03.2023 23:59
Details
max. 25 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Freitag
03.03.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Montag
06.03.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
10.03.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Freitag
17.03.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
Montag
20.03.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
24.03.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Montag
27.03.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
31.03.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
Montag
17.04.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
21.04.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Montag
24.04.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
28.04.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
Freitag
05.05.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Montag
08.05.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
12.05.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Montag
15.05.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
19.05.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
Montag
22.05.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
26.05.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Freitag
02.06.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
Montag
05.06.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
09.06.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Montag
12.06.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
16.06.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
Montag
19.06.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
23.06.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Montag
26.06.
09:45 - 11:15
Seminarraum 7, Währinger Straße 29 1.OG
Freitag
30.06.
09:45 - 11:15
Hörsaal 3, Währinger Straße 29 3.OG
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Written exam (at the end of the semester; 2xA4 sheets of hand-written notes can be used)3 Programming assignments (submission of solutions in the form of source code and a written report)6 Pen & paper exercises (containing small programming tasks; ~bi-weekly; solved by students prior the exercise sessions in which the students are randomly selected to present their solutions; discussion; attendance is mandatory)
Mindestanforderungen und Beurteilungsmaßstab
It is recommended that students attending this course have solid basic knowledge in statistics, algorithms, machine learning, and programming.30% Written exam
35% Programming exercises
35% Pen & paper exercises (with small programing tasks)P = Average percentage on the written exam, the programming exercises, and the pen & paper exercises90% <= P Sehr Gut (1)
77% <= P < 90% Gut (2)
62% <= P < 77% Befriedigend (3)
50% <= P < 62% Genügend (4)
0% <= P < 50% Nicht Genügend (5)At least 50% on the written exam, 50% on the programming exercises, and 50% on the pen&paper exercises must be achieved for a passing grade.Attendance of the lecture parts of the course is voluntary but highly recommended. Attendance of the pen & paper exercise and the written exam is compulsory to pass the course.
35% Programming exercises
35% Pen & paper exercises (with small programing tasks)P = Average percentage on the written exam, the programming exercises, and the pen & paper exercises90% <= P Sehr Gut (1)
77% <= P < 90% Gut (2)
62% <= P < 77% Befriedigend (3)
50% <= P < 62% Genügend (4)
0% <= P < 50% Nicht Genügend (5)At least 50% on the written exam, 50% on the programming exercises, and 50% on the pen&paper exercises must be achieved for a passing grade.Attendance of the lecture parts of the course is voluntary but highly recommended. Attendance of the pen & paper exercise and the written exam is compulsory to pass the course.
Prüfungsstoff
The presented topics in the lecture (according to slides + exercises). Referenced Literature (as indicated in detail on lecture slides).
Literatur
Ester M., Sander J. Knowledge Discovery in Databases: Techniken und Anwendungen.
J. Leskovec, A. Rajaraman, J. Ullman. Mining of Massive Datasets.
J. Han, M. Kamber, J.Pei.Data Mining: Concepts and Techniques.
I. H. Witten , E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques.
+ papers mentioned lecture slides
J. Leskovec, A. Rajaraman, J. Ullman. Mining of Massive Datasets.
J. Han, M. Kamber, J.Pei.Data Mining: Concepts and Techniques.
I. H. Witten , E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques.
+ papers mentioned lecture slides
Zuordnung im Vorlesungsverzeichnis
Modul: MMD
Letzte Änderung: Mo 20.03.2023 06:48
Upon successful participation in the course, students will understand principles of state-of-the-art techniques for learning from massive data and can apply and evaluate those techniques in practical applications.Lecture Contents:
* Dealing with large data (e.g., Map-Reduce)
* Fast nearest neighbor methods (e.g., Locality Senistive Hashing)
* Scalable Supervised Learning, Online learning
* Active learning
* Clustering
* Interactive learning (bandits, recommender systems)Methods:
Lecture
+ pen & paper exercises (~bi-weekly assignments) and their discussion
+ programming exercises