Diese Seite wird privat betrieben und kann Fehler enthalten.  mehr erfahrenschließen

KitHub

KIT Vorlesungsverzeichnis


Kolloquium
Graduiertenkolloquium Angewandte InformatikKolloquium Angewandte InformatikStudentenkolloquium Web Science und Wissensmanagement
Oberseminar
Oberseminar: Betriebliche InformationssystemeOberseminar: Effiziente AlgorithmenOberseminar: Web Science und Wissensmanagement
Praktikum
Praktikum Betriebliche Informationssysteme: Moderne Technologien der Softwareentwicklung im EinsatzPraktikum Betriebliche Informationssysteme: Realisierung innovativer Dienste für StudierendeSicherheit
Praktische
Rechnerpraktikum zu Programmieren I: Java
Seminar
Anwendungen von Semantik MediaWikiDeveloping IT-based Business ModelsDiplomandenseminar: Effiziente AlgorithmenLinked Open Data basierte Web 3.0 Anwendungen und ServicesMultiagentensysteme: Theorie und AnwendungSeminar Betriebliche Informationssysteme: Programmieren 3 (Bachelor)Seminar EnergieinformatikSeminar Service Science, Management & EngineeringSmart Services and the IoT
Sprechstunde
Sprechstunde Prof. OberweisSprechstunde Prof. SchmeckSprechstunde Prof. StuderSprechstunde Prof. Sure-Vetter
Tutorium
Tutorien zu Grundlagen der Informatik IITutorien zu Programmieren I: JavaTutorien zu Programmieren I: Java
Vorlesung
Algorithms for Internet ApplicationsAnforderungsanalyse und -managementAngewandte Informatik I - ModellierungComputational EconomicsDatenbanksysteme und XMLEnterprise Architecture ManagementGrundlagen der Informatik IIKnowledge DiscoveryModellierung von GeschäftsprozessenProgrammieren I: JavaProgrammierung kommerzieller Systeme - Einsatz betrieblicher StandardsoftwareSpezialvorlesung Betriebliche Informationssysteme: InformationssicherheitsmanagementVertragsgestaltung im IT-BereichWeb ScienceWissensmanagement
Übung
Rechnerübung zu Programmierung kommerzieller Systeme - Einsatz betrieblicher Standard-SoftwareÜbung zu Modellierung von GeschäftsprozessenÜbung zu Spezialvorlesung Betriebliche Informationssysteme: InformationssicherheitsmanagementÜbungen zu Algorithms for Internet ApplicationsÜbungen zu Angewandte Informatik I: ModellierungÜbungen zu Computational EconomicsÜbungen zu Datenbanksysteme und XMLÜbungen zu Enterprise Architecture ManagementÜbungen zu Knowledge DiscoveryÜbungen zu Programmierung kommerzieller Systeme - Einsatz betrieblicher Standard-SoftwareÜbungen zu Web ScienceÜbungen zu Wissensmanagement

Knowledge Discovery

Vorlesung, 2511302

Prof.Dr. Rudi Studer, Dr.Rer.Nat. Achim Rettinger
KIT Vorlesungsverzeichnis

SWS 2
Englisch

Termine

1705.20 1C-03Mi, 09:45-11:15
  1. 19.10.2016
  2. 26.10.2016
  3. 02.11.2016
  4. 09.11.2016
  5. 16.11.2016
  6. 23.11.2016
  7. 30.11.2016
  8. 07.12.2016
  9. 14.12.2016
  10. 21.12.2016
  11. 28.12.2016
  12. 04.01.2017
  13. 11.01.2017
  14. 18.01.2017
  15. 25.01.2017
  16. 01.02.2017
  17. 08.02.2017

Beschreibung

Knowledge Discovery ist ein etabliertes Forschungsgebiet mit einer großen Gemeinschaft, welche Methoden zur Entdeckung von Mustern und Regelmäßigkeiten in großen Datenmengen, einschließlich relationalen Datenbanken und unstrukturierte Text, untersucht.

Eine Vielzahl von Verfahren existieren, um Muster, die, wenn wertvolle interpretiert, möglicherweise bisher unbekannte, Erkenntnissen liefern. Diese Informationen können prädiktiv oder beschreibend sein.

Die Vorlesung gibt einen Überblick über Knowledge Discovery. Es werden spezifische Techniken und Methoden, Herausforderungen und aktuelle und zukünftige Forschungsthemen in diesem Forschungsgebiet vermittelt.

Literaturhinweise

  • T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (http://www-stat.stanford.edu/~tibs/ElemStatLearn/)
  • T. Mitchell. Machine Learning. 1997
  • M. Berhold, D. Hand (eds). Intelligent Data Analysis - An Introduction. 2003
  • P. Tan, M. Steinbach, V. Kumar: Introduction to Data Mining, 2005, Addison Wesley

Nachweis

Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung (Klausur) im Umfang von 1h nach § 4, Abs. 2, 1 SPO.

Den Studenten wird durch gesonderte Aufgabenstellungen die Möglichkeit geboten einen Notenbonus zu erwerben.

Die Prüfungen wird in jedem Semester angeboten und kann zu jedem ordentlichen Prüfungstermin wiederholt werden.

Lehrinhalt

Inhalte der Vorlesung umfassen den gesamten Machine Learning und Data Mining Prozess mit Themen zu Crisp, Data Warehousing, OLAP-Techniken, Lernverfahren, Visualisierung und empirische Evaluation. Behandelte Lernverfahren reichen von klassischen Ansätzen wie Entscheidungsbäumen, Neuronalen Netzen und Support Vector Machines bis zu ausgewählten Ansätzen aus der aktuellen Forschung. Betrachtete Lernprobleme sind u.a. featurevektor-basiertes Lernen, Text Mining und die Analyse von sozialen Netzwerken.

Kurzbeschreibung

Die Vorlesung gibt einen Überblick über Ansätze des Maschinellen Lernens und Data Mining zur Wissensgewinnung aus großen Datenbeständen. Diese werden besonders in Hinsicht auf Algorithmen, Anwendbarkeit auf verschiedene Datenrepräsentationen und Einsatz in realen Anwendungsszenarien hin untersucht.