Diese Website verwendet nur technisch notwendige Cookies. In der Datenschutzerklärung können Sie mehr dazu erfahren.

Zum Hauptinhalt springen
Logo, Startseite der Hochschule der Medien
Veranstaltungsbeschreibung

113446a Data Mining und Mustererkennung

Zuletzt geändert:07.04.2020 / Maucher
EDV-Nr:113446a
Studiengänge:
Dozent:
Sprache: Deutsch
Art: V
Umfang: 4 SWS
ECTS-Punkte: 6
Workload: Versuchstermine
10 Termine zu je 4 SWS = 30 Zeitstunden
Vor- und Nachbearbeitung der Versuche
10 Termine zu je 10 SWS = 75 Zeitstunden
Einführungsveranstaltungen
5 Termine zu je 4 SWS=15 Zeitstunden
Vor- und Nachbearbeitung der Einführungsveranstaltungen
5 Termine zu je 8 SWS =30 Zeitstunden
Summe: 150 Zeitstunden
Inhaltliche Verbindung zu anderen Lehrveranstaltungen im Modul: Die Veranstaltung baut auf dem in der Vorlesung Künstliche Intelligenz (113442a) vermittelten Wissen auf. Der erfolgreiche Abschluss der KI-Vorlesung ist Voraussetzung für die Teilnahme an der Veranstaltung Datamining und Pattern Recognition.
Prüfungsform:
Bemerkung zur Veranstaltung: ÜGR: Studierende, die das Modul Data Mining unter der EDV-Nr. 113444 bereits belegt oder angemeldet haben, dürfen das neue Modul Data Mining mit der höheren ECTS Anzahl (EDV-Nr. 113446) nicht mehr belegen.Deutsch
Beschreibung: ****** Wichtiger Hinweis zum Sommersemester 2020 *****
Die Veranstaltung wird während der SARS-CoV-2-bedingten Beschränkungen im Sommersemester 2020 zunächst als synchroner Distance-Learning-Kurs angeboten. Den zugehörige Zoom-Link werde ich vor dem 20.04. in die Gruppe der online registrierten User im persönlichen Stundenplan posten. Es gilt der Stundenplan laut Starplan. Neuigkeiten zur Vorlesung finden Sie auch unter Homepage der Veranstaltung Falls oder wenn wir uns wieder in Hörsälen treffen dürfen, gilt der jeweils in Starplan angegebene Raum.
**********************************************************************
Sowohl im Data Mining als auch im Natural Language Processing (NLP) werden Methoden aus dem maschinellen Lernen (Teilgebiet der Künstlichen Intelligenz) angewandt um in großen Datenmengen Muster zu erkennen. Die Muster repräsentieren neues Wissen, das in den Daten verborgen ist.
In dieser Veranstaltung arbeiten sich die Studierende zunächst in Python und die für Datamining relevanten Python-Pakete, wie z.B. numpy, pandas, bokeh, scikit-learn ein. Danach implementieren die Studierenden sechs verschiedene Datamining-Anwendung in kleinen Gruppen. Die zu implementierenden Anwendungen sind aktuell
  1. Global Health Data Analysis
  2. Kollaboratives Recommendersystem
  3. Contentbasiertes Musikempfehlungssystem
  4. Dokumentklassifikation
  5. Verkehrsschilderkennung mit tiefen neuronalen Netzen
  6. Gesichtserkennung
Internet: Homepage der Veranstaltung