piwik-script

Intern
    Data Science Chair

    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)
    • Assoziationsregellernen (Aprioiri, FP-Growth)
    • Subgruppenentdeckung

    Organisatorisches

    • Vorlesung:
      Di, 12:15 - 13:45
      Informatik - Übungsraum II
      Erster Veranstaltungstag: 14.04.2015
    • Übung:
      Do, 14:15 - 15:45
      Informatik - Übungsraum II
      Erster Veranstaltungstag: 23.04.2015
    • WueCampus-Kurs:
      Kurs
    • Anmeldung: Eine Anmeldung vor der ersten Vorlesung ist nicht nötig! Die genauen Einschreibemodalitäten werden in der ersten Vorlesungssitzung bekannt gegeben.
    • Prüfung SS 2015: 22.07.2015 10:15
    • Prüfung WS 2015/16: 05.10.2015 10:15 (schriftlich) oder 05./06.10.2015 mündlich, je nach Teilnehmerzahl. Anmeldung über sb@home

    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

    • Sequential minimal optimization: A fast algorithm for training support vector machines. Platt, J. (1998).
    • OPTICS: Ordering Points To Identify the Clustering Structure. Ankerst, Mihael; Breunig, Markus M.; peter Kriegel, Hans; Sander, Jörg (1999). 49–60.
    • On End-to-End Program Generation from User Intention by Deep Neural Networks. Mou, Lili; Men, Rui; Li, Ge; Zhang, Lu; Jin, Zhi in CoRR (2015). abs/1510.07211
    • Mining Frequent Patterns without Candidate Generation. Han, Jiawei; Pei, Jian; Yin, Yiwen W. Chen, J. F. Naughton, P. A. Bernstein (eds.) (2000). 1–12.
    • Maximum likelihood from incomplete data via the {EM} algorithm. Dempster, A. P.; Laird, N. M.; Rubin, D. B. in Journal of the Royal Statistical Society: Series B (1977). 39 1–38.
    • Experiments with a New Boosting Algorithm. Freund, Yoav; Schapire, Robert E. (1996). 148–156.
    • 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, eds.) (1987). 405–416.
    • Bagging, Boosting, and C4.5. Quinlan, J. Ross W. J. Clancey, D. S. Weld (eds.) (1996). 725–730.
    • 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.