| INFMW Data Mining | SG | INF | |
|---|---|---|---|
| Dozent : |
Dipl.-Inform. Ingo Boersch
eMail
Prof. Dr. Sven Buchholz eMail |
Semester | 2 |
| Einordnung : | Master Informatik (Winter-Immatrikulation), Wahlpflicht Katalog M-INF-W | SWS | 4 |
| Sprache : | Deutsch | Art | VÜS |
| Prüfungsart : | PL | Credits | 6 |
| Prüfungsform : | mündliche Prüfung oder Klausur | ||
| Voraussetzungen : | |||
| Querverweise : | |||
| Vorkenntnisse : | Grundlagen der Wissensverarbeitung Neugier und Interesse für das Entdecken unbekannter Muster in Daten | ||
| Hilfsmittel und Besonderheiten : | Studien- und Prüfungsleistungen: Semesterbegleitende Leistungen können in die Bewertung einbezogen werden. | ||
| Lehrziele : | Die Studierenden kennen den Knowledge-Discovery-Prozess und verstehen typische Data-Mining-Verfahren. Sie können Data-Mining-Verfahren auf praktische Anwendungsfälle anwenden und die Ergebnisse bewerten. Die Studierenden haben einen Überblick über das Mining spezieller Daten wie Texte und Bilder. Besondere Anforderungen beim Mining personenbezogener Daten, bspw. in der Medizin sind bekannt. Durch praktische Übungen mit vorhandenen Tools ist anwendungsbereites Wissen besonders gefestigt. Die Studierenden sind in der Lage, aktuelle Verfahren und Algorithmen anzuwenden, zu konstruieren und zu implementieren sowie deren Leistungsfähigkeit abzuschätzen und zu beurteilen. | ||
| Lehrinhalte : | Einführung und Ziele von Data-Mining | ||
| Literatur : | P. Harrington: Machine Learning in Action, Manning Publications, 2012. I.H. Witten & E. Frank: Data Mining: Praktische Werkzeuge und Techniken für das maschinelle Lernen, Hanser, 2001. J. Han & M. Kamber: Data Mining, 3rd ed., Morgan Kaufmann Publishers, 2011. | ||