Modul
DM - Data Mining
Bachelor Technische Informatik 2020
PDF Studiengangsverzeichnis Studienverlaufspläne Bachelor Technische Informatik
Version: 1 | Letzte Änderung: 27.09.2019 12:39 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Rhein
| Anerkannte Lehrveranstaltungen | DM_Rhein |
|---|---|
| Modul ist Bestandteil der Studienschwerpunkte | SMS - Smart Systems IOT - Internet of Things |
| Dauer | 1 Semester |
| ECTS | 5 |
| Zeugnistext (de) | Data Mining |
| Zeugnistext (en) | Data Mining |
| Unterrichtssprache | deutsch |
| abschließende Modulprüfung | Ja |
Inhaltliche Voraussetzungen
|
MA1 - Mathematik 1 |
mathematische Modelle verstehen und aufstellen Differentialrechnung |
|
|---|---|---|
|
MA2 - Mathematik 2 |
Funktionen mit mehreren Veränderlichen anwenden Lineare Algebra: Matrizen aufstellen und mit ihnen rechnen |
|
|
PI1 - Praktische Informatik 1 |
Grundlagen der Programmierung beherrschen | |
Handlungsfelder
Anforderungen, Konzepte und Systeme analysieren und bewerten
Modulprüfung
| Benotet | Ja | |
|---|---|---|
| Frequenz | Jedes Semester | |
Prüfungskonzept
Abhängig von der Anzahl der Teilnehmer:
Bei wenigen Teilnehmern Kombination aus Klausur oder mündlicher Prüfung und Bewertung des Mini-Projektes
Bei vielen Teilnehmern Prüfung über Klausur; Mini-Projekt als Voraussetzung zur Teilnahme an der Klausur
In der Klausur bzw. mündlichen Prüfung wird 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.
Learning Outcomes
Methoden des maschinellen Lernens auf typische Datensätze der technischen Informatik anwenden
gängige Fallstricke des Data Mining in der Vorgehensweise kennen
für eine Aufgabenstellung das geeignete Verfahren bestimmen können
Qualität von Datensätzen beurteilen
Datenschutzgesetze kennen
weit verbreitete Software hierfür anwenden
eigenverantwortliches Arbeiten lernen
Womit:
Die Methoden werden anhand eines Vortrags oder per Lernvideos vermittelt und in Vorlesung und Übung direkt angewendet. Jeder Student wird ein kleines Projekt durchführen (je nach Anzahl der Studierenden in Gruppenarbeit).
Wozu:
Data Mining wird bei den späteren Arbeitgebern immer mehr eingeführt, etwa in der Robotik, aber auch zur Überwachung und Steuerung von Produktionsprozessen oder Energiesystemen und zur Auswertung von Kundendaten, hier ist ein
verantwortlicher Einsatz von Daten wichtig
Kompetenzen
Vermittelte Voraussetzungen für Kompetenzen
Befähigung zum lebenslangen Lernen
Vermittelte Kompetenzen
Konzepte und Methoden der Informatik, Mathematik und Technik kennen und anwenden
Informationen beschaffen und auswerten; Technische Zusammenhänge darstellen und erläutern
Inhaltliche Voraussetzungen
|
MA1 - Mathematik 1 |
mathematische Modelle verstehen und aufstellen Differentialrechnung |
|
|---|---|---|
|
MA2 - Mathematik 2 |
Funktionen mit mehreren Veränderlichen anwenden Lineare Algebra: Matrizen aufstellen und mit ihnen rechnen |
|
|
PI1 - Praktische Informatik 1 |
Grundlagen der Programmierung beherrschen | |
Handlungsfelder
Anforderungen, Konzepte und Systeme analysieren und bewerten
Learning Outcomes
Methoden des maschinellen Lernens auf typische Datensätze der technischen Informatik anwenden
gängige Fallstricke des Data Mining in der Vorgehensweise kennen
für eine Aufgabenstellung das geeignete Verfahren bestimmen können
Qualität von Datensätzen beurteilen
Datenschutzgesetze kennen
weit verbreitete Software hierfür anwenden
eigenverantwortliches Arbeiten lernen
Womit:
Die Methoden werden anhand eines Vortrags oder per Lernvideos vermittelt und in Vorlesung und Übung direkt angewendet. Jeder Student wird ein kleines Projekt durchführen (je nach Anzahl der Studierenden in Gruppenarbeit).
Wozu:
Data Mining wird bei den späteren Arbeitgebern immer mehr eingeführt, etwa in der Robotik, aber auch zur Überwachung und Steuerung von Produktionsprozessen oder Energiesystemen und zur Auswertung von Kundendaten, hier ist ein
verantwortlicher Einsatz von Daten wichtig
Kompetenzen
| Kompetenz | Ausprägung |
|---|---|
| fachliche Probleme abstrahieren und formalisieren | Vermittelte Kompetenzen |
| Konzepte und Methoden der Informatik, Mathematik und Technik kennen und anwenden | Vermittelte Kompetenzen |
| Informationen beschaffen und auswerten; Technische Zusammenhänge darstellen und erläutern | Vermittelte Kompetenzen |
| Gesellschaftliche und ethische Grundwerte anwenden | Vermittelte Voraussetzungen für Kompetenzen |
| Befähigung zum lebenslangen Lernen | Vermittelte Voraussetzungen für Kompetenzen |
Exemplarische inhaltliche Operationalisierung
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
Separate Prüfung
keine
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln