Allgemeine Angaben |
|
Data Mining und Knowledge Discovery (IN2030) | | |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Zuordnungen: 1 | |
eLearning[Neuen Moodle-Kurs im aktuellen Semester bereitstellen] |
|
|
|
Angaben zur Abhaltung |
|
- Datenquellen, -charakteristika und Fehlerquellen - Datenvorverarbeitung und -filterung - Datenvisualisierung - Projektionen (Hauptachsentransformation, mehrdimensionale Skalierung, Sammon-Abbildung, Auto-Assoziator) - Datentransformationen und Merkmalsgenerierung - Korrelation und Regression - Zeitreihenprognose - Klassifikation (Bayes, Diskriminanz, Supportvektor-Maschine, nächster Nachbar, lernende Vektorquantisierung, Entscheidungsbäume) - Clustering (sequenziell, protypbasiert, unscharf, relational, heuristisch) |
|
|
Grundkenntnisse Mathematik |
|
|
Bei erfolgreichem Abschluss des Moduls sind die Teilnehmer in der Lage • die verschiedenen Arten von Daten und Relationen zu verstehen • Methoden zur Datenvorverarbeitung, -analyse und -visualisierung zu verstehen, anzuwenden und zu bewerten • Methoden zur linearen und nichtlinearen Korrelation, Regression und Prognose zu verstehen, anzuwenden und zu beurteilen • Klassifikation und Clustering zu unterscheiden, sowie die entsprechenden Methoden zu verstehen, anzuwenden und zu beurteilen • für gegebene Anwendungen geeignete Data Mining Methoden auszuwählen, anzuwenden und zu bewerten Das didaktische Hauptziel ist die Vermittlung der wichtigsten Methoden des Data Mining und der notwendigen Grundlagen, um sich durch Literaturstudium tiefer in das Thema einzuarbeiten. Der Arbeitsaufwand zur Erreichung dieses Ziels entspricht den 3 Credits des Moduls. |
|
|
|
|
Interaktion Lehrende und Lernende Das Modul umfasst eine Vorlesung. Der Vorlesungsinhalt wird durch Vorlesungen und Präsentationen vermittelt. Die Teilnehmer sollen den Modulinhalt durch Literaturstudium und Übungsaufgaben vertiefen. |
|
|
|
|
Für die Anmeldung zur Teilnahme müssen Sie sich in TUMonline als Studierende/r identifizieren. |
|
|
Zusatzinformationen |
|
• Runkler: Data Analytics, Springer 2020 • C. C. Aggarwal: Data Mining: The Textbook. Springer 2015 • I. H. Witten, E. Frank, M. A. Hall, C. J. Pal: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 4th edition 2016 |
|
|
|
|
|