Data Mining
PDF Lehrveranstaltungsverzeichnis English Version: DM
Version: 1 | Letzte Änderung: 27.09.2019 12:52 | Entwurf: 0 | Status: vom verantwortlichen Dozent freigegeben
Langname | Data Mining |
---|---|
Anerkennende LModule | DM_BaTIN |
Verantwortlich |
Prof. Dr. Beate Rhein
Professor Fakultät IME |
Gültig ab | Sommersemester 2022 |
Niveau | Bachelor |
Semester im Jahr | Wintersemester |
Dauer | Semester |
Stunden im Selbststudium | 78 |
ECTS | 5 |
Dozenten |
Prof. Dr. Beate Rhein
Professor Fakultät IME |
Voraussetzungen | Aus Mathematik 1 und 2 wird die Fähigkeit benötigt, mathematische Modelle aufzustellen, sowie Kenntnisse der Differentialrechnung und der Linearen Algebra. |
Unterrichtssprache | deutsch |
separate Abschlussprüfung | Ja |
A. Geron: Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme, Heidelberg, o‘Reilly Verlag 2017, 978-3960090618 |
S. Raschka, V. Mirjalili: Machine Learning mit Python und Scikit-Learn und TensorFlow: Das umfassende Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning, mitp Verlag, 2018, 978-3958457331 |
J. Frochte, Jörg: Maschinelles Lernen, München, Carl Hanser Verlag GmbH & Co. KG, 2018, eBook ISBN: 978-3-446-45705-8, Print ISBN: 978-3-446-45291-6 |
A. Müller: Einführung in Machine Learning mit Python: Praxiswissen Data Science, Heidelberg, o‘Reilly Verlag 2017, eBook: 978-3-96010-111-6 |
Details |
Abhängig von der Anzahl der Teilnehmer: Bei wenigen Teilnehmern Kombination aus Klausur oder mündlicher Prüfung und Bewertung des Mini-Projektes Bei vielen Teilnehmern Prüfung durch Klausur; Mini-Projekt als Voraussetzung zur Teilnahme an der Klausur In der Klausur bzw. mündlichen Prüfung werden die Methoden, Vorgehensweisen, Fallstricke und gesetzliche Grundlagen des Data Mining geprüft. Im Mini-Projekt wird die Fähigkeit zu selbständigem eigenverantwortlichem Handeln und der Umgang mit geeigneter Software abgeprüft. |
---|---|
Mindeststandard | Grundkenntnisse der generellen Vorgehensweise beim Data Mining, der behandelten Verfahren und ihre Grenzen |
Prüfungstyp | andere summarische Prüfungsform |
Zieltyp | Beschreibung |
---|---|
Kenntnisse | Einführung in eine geeignete Software, z.B. Python Einführung in deskriptive Statistik und evtl. auch Wahrscheinlichkeitsrechnung Überwachtes Lernen: - Klassifikationsverfahren: Ablauf, Performanzmaße, Anwendung eines Verfahrens des instanzbasierten Lernen, z.B. k-nearest-neighbor und eines Verfahrens des modellbasierten Lernen, z.B. Entscheidungsbäume - evtl. Regressionsanalyse: über maschinelles Lernen und klassisch Unüberwachtes Lernen: - Clusteranalyse: k-means, evtl. auch DBSCAN Preprocessing der Daten: - Behandlung von beschädigten / fehlenden Daten - Ausreißer oder Noise - Problematik - Skalierung - Visualisierung der Daten - evtl. Dimensionsreduzierung - Beurteilung der Qualität der Daten - evtl. verschiedene Arten von Datensätzen betrachten, Bezug zu NoSql-Datenbanken herstellen Ausblick auf aktuelle Forschung, z.B. Bilderkennung, Natural Language Processing, Reinforcement Learning |
Fertigkeiten | zu Aufgabenstellungen geeignete Methode und Gesamtvorgehensweise nennen und anwenden können geeignetes Performanzmaß wählen und beurteilen Datenschutzrichtlinien anwenden |
Typ | Präsenzzeit (h/Wo.) |
---|---|
Vorlesung | 2 |
Übungen (ganzer Kurs) | 0 |
Übungen (geteilter Kurs) | 2 |
Tutorium (freiwillig) | 0 |
keine |
Begleitmaterial |
Skript bzw. Foliensatz Aufgabenstellungen (voraussichtlich in Skript integriert) Mini-Projekt-Aufgabe mit Datensatz |
---|---|
Separate Prüfung | Nein |
© 2022 Technische Hochschule Köln