Moduldetails

Data Mining DIS 4.3

	Workload	Credits	Studiensemester	Frequenz	Dauer
	180 h	6	4. Sem.	jährlich	1 Sem.
1	Lehrveranstaltungen	Kontaktzeit	Selbststudium	Sprache	Gruppengröße
		∑ 4 SWS / 60 h	∑ 120 h
	DIS4.3 Data Mining (Seminaristischer Unterricht und Laborpraktikum)	DIS4.3 4 SWS / 60 h	DIS4.3 120 h	DIS4.3 deutsch	DIS4.3 70
2	Lernergebnisse (learning outcomes / Kompetenzen):
	Die Studierenden lernen, grundlegende Data Mining - Algorithmen für konkrete Fragestellungen und Datensammlungen auszuwählen, diese – unter Optimierung der frei wählbaren Parameter – anzuwenden und die Ergebnisse zu validieren. Hierzu erstellen sie Prozess-Streams unter Verwendung professioneller Data-Mining Workbenches (wie z.B. RapidMiner), die den kompletten Workflow vom Zugriff auf die Datenquelle (Datenbanksystem, Dateien in unterschiedlichen Formaten) bis zur Ergebnisvisualisierung abbilden. Ziel ist dabei die Generierung neuer Informationen, die für die Entscheidungsfindung und zum Aufbau von Empfehlungssystemen in Wissenschaft und Wirtschaft genutzt werden können.
3	Inhalte:
	DIS4.3 Datenvorbereitung Verfahren zur Assoziationsanalyse Klassifikationsverfahren (Entscheidungsbäume, Neuronale Netze) Clusterverfahren (hierarchisch, partionierend) Empfehlungssysteme (kollaboratives Filtern)
4	Lehrformen:
	Seminaristischer Unterricht und Laborpraktikum (DIS4.3)
5	Teilnahmevoraussetzungen:
	Keine
6	Art der Prüfung:
	Klausurarbeit oder schriftliche Ausarbeitung
7	Voraussetzungen für die Vergabe von Kreditpunkten:
	-
8	Art: Pflicht- oder Wahlmodul
	Pflichtmodul
9	Bewertungsmethoden benotet/unbenotet
	benotet
10	Stellenwert der Note für die Endnote:
	4 %
11	Modulbeauftragte/r und hauptamtlich Lehrende
	Modulbeauftragte/r: Prof. Dr. Tobias Galliat Hauptamtlich Lehrende: Prof. Dr. Tobias Galliat
12	Sonstige Informationen:
	-
13	Literatur / Quellen
	Aggarwal, "Neural Networks and Deep Learning", 2023 Cleve, Lämmel, "Data Mining", 2024 Leskovec, Rajaramann, Ullmann, "Mining of Massive Datasets", 2014 Ng, Soo, "Data Science – was ist das eigentlich?!", 2018 North, "Data mining for the masses: with implementations in RapidMiner and R", 2018 Ricci, Rokach, Shapira (eds.), "Recommender Systems Handbook", 2022 Shmueli, Bruce, Deokar, "Machine Learning for Business Analytics: Concepts, Techniques and Applications in RapidMiner", 2023

Data Mining

DIS 4.3

Workload

Credits

Studiensemester

Frequenz

Dauer

180 h

4. Sem.

jährlich

1 Sem.

Lehrveranstaltungen

Kontaktzeit

Selbststudium

Sprache

Gruppengröße

∑ 4 SWS / 60 h

∑ 120 h

DIS4.3

Data Mining (Seminaristischer Unterricht und Laborpraktikum)

DIS4.3

4 SWS / 60 h

DIS4.3

120 h

DIS4.3

deutsch

DIS4.3

Lernergebnisse (learning outcomes / Kompetenzen):

Die Studierenden lernen, grundlegende Data Mining - Algorithmen für konkrete Fragestellungen und Datensammlungen auszuwählen, diese – unter Optimierung der frei wählbaren Parameter – anzuwenden und die Ergebnisse zu validieren.

Hierzu erstellen sie Prozess-Streams unter Verwendung professioneller Data-Mining Workbenches (wie z.B. RapidMiner), die den kompletten Workflow vom Zugriff auf die Datenquelle (Datenbanksystem, Dateien in unterschiedlichen Formaten) bis zur Ergebnisvisualisierung abbilden.

Ziel ist dabei die Generierung neuer Informationen, die für die Entscheidungsfindung und zum Aufbau von Empfehlungssystemen in Wissenschaft und Wirtschaft genutzt werden können.

Inhalte:

DIS4.3

Datenvorbereitung
Verfahren zur Assoziationsanalyse
Klassifikationsverfahren (Entscheidungsbäume, Neuronale Netze)
Clusterverfahren (hierarchisch, partionierend)
Empfehlungssysteme (kollaboratives Filtern)

Lehrformen:

Seminaristischer Unterricht und Laborpraktikum (DIS4.3)

Teilnahmevoraussetzungen:

Keine

Art der Prüfung:

Klausurarbeit oder schriftliche Ausarbeitung

Voraussetzungen für die Vergabe von Kreditpunkten:

Art: Pflicht- oder Wahlmodul

Pflichtmodul

Bewertungsmethoden benotet/unbenotet

benotet

Stellenwert der Note für die Endnote:

4 %

Modulbeauftragte/r und hauptamtlich Lehrende

Modulbeauftragte/r: Prof. Dr. Tobias Galliat

Hauptamtlich Lehrende: Prof. Dr. Tobias Galliat

Sonstige Informationen:

Literatur / Quellen

Aggarwal, "Neural Networks and Deep Learning", 2023

Cleve, Lämmel, "Data Mining", 2024

Leskovec, Rajaramann, Ullmann, "Mining of Massive Datasets", 2014

Ng, Soo, "Data Science – was ist das eigentlich?!", 2018

North, "Data mining for the masses: with implementations in RapidMiner and R", 2018

Ricci, Rokach, Shapira (eds.), "Recommender Systems Handbook", 2022

Shmueli, Bruce, Deokar, "Machine Learning for Business Analytics: Concepts, Techniques and Applications in RapidMiner", 2023