Campus Gengenbach Klosterstraße 14, 77723 Campus Offenburg Badstraße 24, 77652 Modulübersicht: Angewandte Informatik Data Mining Lehrform Lernziele Dauer SWS Aufwand Leistungspunkte und Noten ECTS Voraussetzungen für Vergabe von LP Vorlesung/Labor Prinzipien der modellgetriebenen Softwareentwicklung verstehen und auf konkrete Problemstellungen anwenden können Grenzen der modellgetriebenen Softwareentwicklung verstehen Gegebene Problemstellungen analysieren und daraus effiziente modellbasierte Lösungsansätze entwickeln können Die Umsetzung Modell in Code im Detail verstehen Testmodelle aus textuellen und grafischen Spezifikationen ableiten können 1 Semester 4.0 Lehrveranstaltung: Selbststudium/ Gruppenarbeit: Workload: 5 CP 60 h 90 h 150 h 5.0 Modulprüfung für "Modellgetriebene Softwareentwicklung" (K60) "Praktikum Modellgetriebene Softwareentwicklung" muss "m.E." attestiert sein Modulverantw. Prof. Dr. Daniel Fischer Max. Teilnehmer Häufigkeit Verwendbarkeit 15 jedes Jahr (WS) Master-Studiengang INFM Master-Studiengang EIM Veranstaltungen Praktikum Data Mining Art Praktikum Nr. E+I2118 SWS 2.0 Lerninhalt Praktische Umsetzung von Konzepten und Methoden des Data Minings in Übungen. Bearbeitung von Fallstudien. Data Mining Art Nr. SWS Lerninhalt Vorlesung E+I2117 2.0 Data Mining wird allgemein als Ansatz zur Aufdeckung neuartiger Muster oder Zusammenhänge in großen Datenbeständen aufgefasst. Die betrieblichen Anwendungsmöglichkeiten von Data Mining sowie deren methodische Grundlagen werden in dem Modul vorgestellt, diskutiert und angewandt. Neben den einzelnen Methoden des Data Minings wird der Gesamtprozess von der Datenvorbereitung bis hin zur Evaluation nach dem CRISP-Standard behandelt. Dieser umfasst Schritte, die dem eigentlichen Data Minings vor- und nachgelagert sind. Anwendungen von Data Mining im Web zur Analyse des Inhalts, der Nutzung und der Verlinkungstrukturen von Websites stellen einen weiteren thematische Schwerpunkt dar. Themen sind u.a. Regression http://informatik.hs-offenburg.de/en/nc/lehre/informatik-master/lsfguide/22330/2002/2/ 13 Feb 2017 22:49:29 1/2 Campus Gengenbach Klosterstraße 14, 77723 Campus Offenburg Badstraße 24, 77652 Assoziationsregeln Klassifikation (Entscheidungsbäume, Random Forests, Naive Bayes, nächste Nachbarn, Support Vector Machines) Clustering (partitionierende und hierarchische Verfahren) Text Mining Gütemaße Literatur Han, J., Kamber, M., Pei, J., Data Mining: Concepts and Techniques, 3rd ed. Burlington, Elsevier Science, 2011 Hand, D. J., Mannila, H., Smyth, P., Principles of data mining, Cambridge, Mass, MIT Press, 2001 Hastie, T., Tibshirani, R., Friedman, J. H., The elements of statistical learning: Data mining, inference, and prediction, 2nd ed. Springer series in statistics. New York, Springer, 2009 Liu, B., Web data mining: Exploring hyperlinks, contents, and usage data, 2nd ed., Data-centric systems and applications. Heidelberg, New York, Springer, 2011 Witten, I. H. Hall, M. A., Data mining: Practical machine learning tools and techniques, 3rd ed. Burlington, MA: Morgan Kaufmann, 2011 http://informatik.hs-offenburg.de/en/nc/lehre/informatik-master/lsfguide/22330/2002/2/ 13 Feb 2017 22:49:29 2/2