piwik-script

Deutsch Intern
    DMIR Research Group

    Data Mining

    Die Vorlesung gibt einen Überblick über die Wissensgewinnung aus (strukturierten) Daten. Dazu gehören unter anderem:

    • Vorverabeitungstechniken
    • OLAP-Analyse & Data-Warehousing
    • Clustering (k-means, k-medoids, DBSCAN, OPTICS)
    • Klassifikation (k-Nearest-Neighbor, Bayes, Entscheidungsbaum, Support Vector Machine; Bagging, Boosting, z. B. Random Forest, AdaBoost)
    • Regressionsanalyse (Linear Regression, Logistic Regression)
    • Assoziationsregellernen (Aprioiri, FP-Growth)
    • Einführung in Deep Learning

    Organisatorisches

    • Vorlesung:
      Di, 12:15 - 13:45
      Zuse
      Erster Veranstaltungstag: 10.04.2018
    • Übung:
      Do, 14:15 - 15:45
      Informatik - Übungsraum II
      Do, 16:15 - 17:45
      Informatik - Seminarraum 3
      Erster Veranstaltungstag: 19.04.2018
    • WueCampus-Kurs: Link zum Kurs
    • Anmeldung: Eine Anmeldung vor der ersten Vorlesung ist nicht nötig! Die genauen Einschreibemodalitäten werden in der ersten Vorlesungssitzung bekannt gegeben.
    • Prüfung: Hinweis: Es werden unterschiedliche Prüfungen für Bachelor- und Masterstudierende der Informatik angeboten. Für 10-I-DM gibt es eine schriftliche Prüfung am 17.07.2018 12:30 - 13:30 und für 10-I=DM wahrscheinlich eine mündliche Prüfung in der Woche vom 06.08.2018 bis 10.08.2018.

    Literatur

    • Knowledge Discovery in Databases: Techniken und Anwendungen Ester, Martin; Sander, Jörg (2000). (1st ed.) Springer Berlin Heidelberg.
       
    • CRISP-DM 1.0 Step-by-step data mining guide Chapman, Pete; Clinton, Julian; Kerber, Randy; Khabaza, Thomas; Reinartz, Thomas; Shearer, Colin; Wirth, Rudiger (2000).
       
    • Advances in Knowledge Discovery and Data Mining. Fayyad, Usama M.; Piatetsky-Shapiro, Gregory; Smyth, Padhraic; Uthurusamy, Ramasamy (1996).
       

    Weitere Literatur zur Vorlesung

    • OPTICS: Ordering Points To Identify the Clustering Structure. Ankerst, Mihael; Breunig, Markus M.; peter Kriegel, Hans; Sander, Jörg (1999). 49--60.
       
    • Mining Frequent Patterns without Candidate Generation. Han, Jiawei; Pei, Jian; Yin, Yiwen W. Chen, Naughton, J. F., Bernstein, P. A. (reds.) (2000). 1-12.
       
    • Experimental evidence of massive-scale emotional contagion through social networks. Kramer, Adam D. I.; Guillory, Jamie E.; Hancock, Jeffrey T. in Proceedings of the National Academy of Sciences (2014). 111(24) 8788-8790.
       
    • Data Science and Prediction. Dhar, Vasant in Commun. ACM (2013). 56(12) 64--73.
       
    • Data Science and its Relationship to Big Data and Data-Driven Decision Making. Provost, Foster; Fawcett, Tom in Big Data (2013). 1(1) 51--59.
       
    • Clustering by means of medoids. Kaufman, Leonard; Rousseeuw, Peter J. (I. : D. Y; editor,, reds.) (1987). 405–416.
       
    • Automatic Subspace Clustering of High Dimensional Data for Data Mining Applications. Agrawal, Rakesh; Gehrke, Johannes; Gunopulos, Dimitrios; Raghavan, Prabhakar (1998). 94--105.
       
    • A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Ester, Martin; Kriegel, Hans-Peter; Sander, Jörg; Xu, Xiaowei (1996). 226-231.
       

    Data privacy protection

    By clicking 'OK' you are leaving the web sites of the Julius-Maximilians-Universität Würzburg and will be redirected to Facebook. For information on the collection and processing of data by Facebook, refer to the social network's data privacy statement.

    Data privacy protection

    By clicking 'OK' you are leaving the web sites of the Julius-Maximilians-Universität Würzburg and will be redirected to Twitter. For information on the collection and processing of data by Facebook, refer to the social network's data privacy statement.

    Social Media
    Contact

    Andreas Hotho
    DMIR Research Group
    Am Hubland
    97074 Würzburg

    Phone: +49 931 31-86731
    Fax: +49 931 31-86732

    Find Contact

    Hubland Süd, Geb. M2