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
|
Internet: | Homepage der Veranstaltung |