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 |
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 |
Benotet | Ja | |
---|---|---|
Frequenz | Jedes Semester | |
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.
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 |
Kompetenz | Ausprägung |
---|---|
fachliche Probleme abstrahieren und formalisieren | diese Kompetenz wird vermittelt |
Konzepte und Methoden der Informatik, Mathematik und Technik kennen und anwenden | diese Kompetenz wird vermittelt |
Informationen beschaffen und auswerten; Technische Zusammenhänge darstellen und erläutern | diese Kompetenz wird vermittelt |
Gesellschaftliche und ethische Grundwerte anwenden | Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt |
Befähigung zum lebenslangen Lernen | Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt |
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
keine
© 2022 Technische Hochschule Köln