• Prof. Dr. Andreas Peter Dominik

• Prof. Dr. Franz Cemic
• Prof. Dr. Andreas Peter Dominik
• Dr. habil. Frank Kammer
• Prof. Dr. Cornelia Sigges

Keine

Methoden und Verfahren zur Erfassung und Speicherung, Aufbereitung, Verarbeitung und Darstellung von Daten aus verschiedenen Datenquellen, sowie statistische Verfahren.

• Datenaufbereitung
• Statistische Verfahren
• Knowledge Discovery und Machine Learning
• Algorithmen zur Klassifizierung
• Algorithmen zur Assoziationsanalyse
• Algorithmen zum Clustering

Fachkompetenzen

• Die Studierenden können jeweils geeignete Methoden zur Aufbereitung, Verarbeitung und Darstellung von Daten aus sehr großen Datenquellen wie dem Internet, Prozessleitsystemen, betriebswirtschaftliche Datenbanken, Bioinformatik-Anwendungen, etc. auswählen und auf konkrete Datenquellen anwenden.
• Sie können erkennen, welche Algorithmen zur Regression, Klassifizierung und Clusteranalyse für konkrete Fragestellungen jeweils geeignet sind und können diese anwenden.
• Sie können für Datensätze geeignete Methoden des Preprocessing auswählen und anwenden.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können die grundlegenden Algorithmen zur Regression, Klassifizierung und Clusteranalyse in mindestens einer Programmiersprache implementieren.

Sozialkompetenzen

• Die Studierenden sind in der Lage für eine Problemstellung geeignete Verfahren auszuwählen, deren Vor- und Nachteile im Team zu diskutieren sowie die Anwendung zu begründen.

Selbstkompetenzen

• Die Studierenden erkennen die Problematik und die Chancen von Bias in Datensätzen und können dies bei der Analyse berücksichtigen und nutzen.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Vorlesung 2 SWS
• Praktikum 2 SWS

• Informatik (M.Sc. 2022)
• Ingenieur-Informatik (M.Sc. 2022)

Ja

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung : Übungsaufgaben (75% der Aufgaben) und regelmäßige Teilnahme (mindestens 80% der Zeit) (Aufgabe gilt nur bei Anwesenheit als erbracht) (Anzahl der Übungsaufgaben wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Prüfungsleistung : Klausur, mündliche Prüfung oder Projekt mit Präsentation der Ergebnisse und Abgabe der Projektdokumentation (Art und Umfang des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

• Tan, P.-N.; Steinbach, M.; Kumar, V.: Introduction to Data Mining. Pearson.
• Runkler, T. A.: Data Mining: Methoden und Algorithmen intelligenter Datenanalyse. Vieweg+Teubner.