Teaching
Vorlesung: Datamining / Data Mining
Summer Semester 2014
News/Aktuelles
- Für diese Veranstaltung nutzen wir das MIN-CommSy - alle weiteren Informationen und Materialien zur Veranstaltung sind dort zu finden. Teilnehmer werden nach dem ersten Treffen frei geschaltet.
- Erste Anmeldephase/First registration period (STiNE): 17.02.2014 - 06.03.2014, 13:00h
Information/Allgemeine Informationen |
| LV-Nummer: |
64-233 |
| Lecturer: |
Prof. Dr. Stefan Wermter, Dr. Cornelius Weber |
| Period: |
Wöchentlich 4 UE Mi 10:15-11:45, 12:00-13:30 |
| Room: |
F-132 |
| Credit Hours |
4 SWS |
| Language: |
Deutsch/Englisch |
| Module: |
InfB-DaMi, WPB7-DaMi |
Contents/Inhalte
Große Datenmengen umgeben uns in unserem täglichen Leben, welche es nötig machen, Informationen systematisch zu akquirieren, zu analysieren und zu verarbeiten, um schließlich Wissen zu gewinnen und zu verstehen. Das Data Mining, d.h. das Gewinnen von Wissen aus diesen Daten, hat eine enorme Bedeutung für interdisziplinäre Gebiete, z.B. Mensch-Computer-Interaktion, Assistenzsysteme, Kognitive Neurowissenschaften und das Gesundheitswesen, ist aber auch relevant für Prozessüberwachung und Wissensmanagement in der Wirtschaft. In dieser Vorlesung werden Methoden, Konzepte und Algorithmen zur Wissensgewinnung behandelt. Der Kern sind dabei Methoden aus dem Maschinellen Lernen, der Statistik und den Neuronalen Netzen, welche Repräsentationen aus Daten, Texten, Sprache, Bildmaterial oder Ähnlichem lernen. Themen sind u.a.:
- Verarbeitungsaufgaben für lernende Systeme
- Vorverarbeitung und Visualisierung
- Wissensmanagement und Assoziationsregeln
- Wissensbäume und Entscheidungsregeln
- Überwachte Klassifikation und Neuronale Netze
- Unüberwachtes Clustern und selbst-organisierte Neuronale Netze
- Genetische Algorithmen und Lernen
- Fuzzy Schließen und Neuro-Fuzzy Architekturen
- Hybride Systeme und Ensemble Lernen
- Bayes Netze und Hidden Markov Modelle
- Text Mining, Sensor Mining und andere Anwendungen
We are surrounded by a huge amount of data on a daily basis but only by extracting information from data it is possible to analyze, process and discover knowledge in the data. Therefore data mining for knowledge discovery has a tremendous implication for many interdisciplinary fields including human computer interaction, assistance systems, cognitive neuroscience and healthcare but also condition monitoring, business computing and knowledge management. This lecture covers methods, concepts and algorithms of data mining for knowledge discovery. The main focus is on those methods from machine learning, statistics and neural networks which learn representations from data such as text, speech, vision or similar. Topics include:
- Example tasks for learning systems
- Pre-processing and visualization methods
- Knowledge management and associations rules
- Decision trees, decision rules
- Supervised classification and neural networks
- Unsupervised clustering and self-organizing neural networks
- Genetic algorithms and learning
- Fuzzy reasoning and neuro-fuzzy architectures
- Hybrid systems and ensemble learning
Bayes networks and hidden Markov models
Text mining, sensor mining and other applications
|
|
Objective/Lernziel
Das Gebiet Data Mining umfasst Konzepte von Information und Wissen. Die Studierenden lernen auf algorithmischer Basis, wie man mit großen Datenmengen umgeht, d.h. deren Aufbereitung und Analyse, sowie verschiedene Visualisierungsmöglichkeiten und schließlich die Interpretation von Daten zur Wissensakquisition. Die Studierenden erlernen komplexe Fragestellungen zu modellieren, vielseitige Lösungsansätze praktisch umzusetzen und mit systematischen Methoden wissenschaftlich zu arbeiten.
The area of Data Mining includes concepts of information and knowledge. The students learn on the basis of algorithms how to deal with huge amounts of data in terms of processing and analysis as well as how to visualise and interpret data for knowledge discovery. The students learn how to model complex problems, apply various approaches practically, and work scientifically with systematic methods.
Procedure/Vorgehen
Zu den Vorlesungen gibt es das
Praktikum Data Mining, in welchem die Inhalte aus der Vorlesungen geübt und an Beispielen selbst umgesetzt werden.
Complementary to the lectures is the practical course Data Mining, in which the contents from the lectures will be trained and examples will be implemented.
Hints for the examination/Prüfungshinweise
Die Prüfung findet in Form einer Klausur statt. Klausurtermine werden zu Beginn und zum Ende der vorlesungsfreien Zeit angeboten.
The examination will be conducted written (Klausur). Dates for the exam will be offered in the beginning and in the end of the non-lecture period.
Literature/Literatur
- Han J. & Kamber, M. Data mining: Concepts and techniques. Elsevier/Morgan Kaufmann, Amsterdam, 2006.
- Kantardzic, M. Data Mining. Wiley, 2011.
- Marsland, S. Machine Learning - An Algorithmic Perspective. CRC Press, 2009.
Material
Das Material für diese Veranstaltung ist innerhalb des CommSy Portals zu finden:
Informatik-CommSy: WTM: Data Mining SS2014
