Moduldetails

Data Mining DIS14
Dieses Modul ist auch Bestandteil des Schwerpunktes "Datenjournalismus" im Studiengang OR.
	Workload	Credits	Studiensemester	Frequenz	Dauer
	180h	6	3. Sem.	jährlich	1 Sem.
1	Lehrveranstaltungen	Kontaktzeit	Selbststudium	Sprache	Gruppengröße
		∑ 4 SWS / 60h	∑ 120h
	DIS14.1 Data Mining (Seminaristischer Unterricht und Laborpraktikum)	DIS14.1 4 SWS / 60h	DIS14.1 120h	DIS14.1 Deutsch / Englisch	DIS14.1 45
2	Lernergebnisse (learning outcomes / Kompetenzen):
	DIS14.1 (WAS): 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. (WOMIT) Hierzu erstellen sie Prozess-Streams unter Verwendung professioneller Data-Mining Workbenches (wie z.B. RapidMiner, IBM SPSS Modeler), die den kompletten Workflow vom Zugriff auf die Datenquelle (Datenbanksystem, Dateien in unterschiedlichen Formaten) bis zur Ergebnisvisualisierung abbilden. (WOZU) 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:
	DIS14.1 Klassifikationsverfahren (z.B. Entscheidungsbaumsysteme, Support Vector Machines) Clusterverfahren (hierarchisch, k-means) Verfahren zur Assoziationsanalyse Kollaboratives Filtern
4	Lehrformen:
	Seminaristischer Unterricht und Laborpraktikum (DIS14.1)
5	Teilnahmevoraussetzungen:
	keine
6	Art der Prüfung:
	Klausur oder Haus-/Seminararbeit (DIS14.1)
7	Voraussetzungen für die Vergabe von Kreditpunkten:
	Bestandene Modulprüfung
8	Art: Pflicht- oder Wahlmodul
	Pflichtmodul
9	Bewertungsmethoden benotet/unbenotet
	benotet
10	Stellenwert der Note für die Endnote:
	3%
11	Modulbeauftragte/r und hauptamtlich Lehrende
	Modulbeauftragte/r: Prof. Dr. Tobias Galliat Hauptamtlich Lehrende: Prof. Dr. Tobias Galliat, Prof. Dr. Gernot Heisenberg
12	Sonstige Informationen:
	-
13	Literatur / Quellen
	Leskovec, Rajaramann, Ullmann, "Mining of Massive Datasets", 2nd ed., 2014 Liu, Web Data Mining, Heidelberg, 2nd ed. 2011

Data Mining

DIS14

Dieses Modul ist auch Bestandteil des Schwerpunktes "Datenjournalismus" im Studiengang OR.

Workload

Credits

Studiensemester

Frequenz

Dauer

180h

3. Sem.

jährlich

1 Sem.

Lehrveranstaltungen

Kontaktzeit

Selbststudium

Sprache

Gruppengröße

∑ 4 SWS / 60h

∑ 120h

DIS14.1

Data Mining (Seminaristischer Unterricht und Laborpraktikum)

DIS14.1

4 SWS / 60h

DIS14.1

120h

DIS14.1

Deutsch / Englisch

DIS14.1

Lernergebnisse (learning outcomes / Kompetenzen):

DIS14.1

(WAS): 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.

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

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

Inhalte:

DIS14.1

Klassifikationsverfahren (z.B. Entscheidungsbaumsysteme, Support Vector Machines)
Clusterverfahren (hierarchisch, k-means)
Verfahren zur Assoziationsanalyse
Kollaboratives Filtern

Lehrformen:

Seminaristischer Unterricht und Laborpraktikum (DIS14.1)

Teilnahmevoraussetzungen:

keine

Art der Prüfung:

Klausur oder Haus-/Seminararbeit (DIS14.1)

Voraussetzungen für die Vergabe von Kreditpunkten:

Bestandene Modulprüfung

Art: Pflicht- oder Wahlmodul

Pflichtmodul

Bewertungsmethoden benotet/unbenotet

benotet

Stellenwert der Note für die Endnote:

Modulbeauftragte/r und hauptamtlich Lehrende

Modulbeauftragte/r: Prof. Dr. Tobias Galliat

Hauptamtlich Lehrende: Prof. Dr. Tobias Galliat, Prof. Dr. Gernot Heisenberg

Sonstige Informationen:

Literatur / Quellen

Leskovec, Rajaramann, Ullmann, "Mining of Massive Datasets", 2nd ed., 2014
Liu, Web Data Mining, Heidelberg, 2nd ed. 2011