Master - Informatik an der Hochschule Offenburg

Werbung
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
Herunterladen