MIN Faculty
Department of Informatics
Knowledge Technology

Warning!

This webpage is outdated and has moved. Please find the official Knowledge Technology page at:

https://www.inf.uni-hamburg.de/en/inst/ab/wtm/

Teaching

Vorlesung: Datamining / Data Mining

Summer Semester 2013

News/Aktuelles

Information/Allgemeine Informationen

LV-Nummer: 64-233
Lecturer: Prof. Dr. Stefan Wermter, Dr. Cornelius Weber
Period: Wöchentlich 4 UE Mi 10:15-11:45, 12:00-13:30
Room: F-009
Credit Hours 4 SWS
Language: Deutsch/Englisch
Module: WPB7-DaMi


Top

Contents/Inhalte

Große Datenmengen umgeben uns in unserem täglichen Leben, welche es nötig machen, Informationen systematisch zu akquirieren, zu analysieren und zu verarbeiten, um schließlich Wissen zu gewinnen und zu verstehen. Das Data Mining, d.h. das Gewinnen von Wissen aus diesen Daten, hat eine enorme Bedeutung für interdisziplinäre Gebiete, z.B. Mensch-Computer-Interaktion, Assistenzsysteme, Kognitive Neurowissenschaften und das Gesundheitswesen, ist aber auch relevant für Prozessüberwachung und Wissensmanagement in der Wirtschaft. In dieser Vorlesung werden Methoden, Konzepte und Algorithmen zur Wissensgewinnung behandelt. Der Kern sind dabei Methoden aus dem Maschinellen Lernen, der Statistik und den Neuronalen Netzen, welche Repräsentationen aus Daten, Texten, Sprache, Bildmaterial oder Ähnlichem lernen. Themen sind u.a.:
We are surrounded by a huge amount of data on a daily basis but only by extracting information from data it is possible to analyze, process and discover knowledge in the data. Therefore data mining for knowledge discovery has a tremendous implication for many interdisciplinary fields including human computer interaction, assistance systems, cognitive neuroscience and healthcare but also condition monitoring, business computing and knowledge management. This lecture covers methods, concepts and algorithms of data mining for knowledge discovery. The main focus is on those methods from machine learning, statistics and neural networks which learn representations from data such as text, speech, vision or similar. Topics include:
  • Example tasks for learning systems
  • Pre-processing and visualization methods
  • Knowledge management and associations rules
  • Decision trees, decision rules
  • Supervised classification and neural networks
  • Unsupervised clustering and self-organizing neural networks
  • Genetic algorithms and learning
  • Fuzzy reasoning and neuro-fuzzy architectures
  • Hybrid systems and ensemble learning


Top

Objective/Lernziel

Das Gebiet Data Mining umfasst Konzepte von Information und Wissen. Die Studierenden lernen auf algorithmischer Basis, wie man mit großen Datenmengen umgeht, d.h. deren Aufbereitung und Analyse, sowie verschiedene Visualisierungsmöglichkeiten und schließlich die Interpretation von Daten zur Wissensakquisition. Die Studierenden erlernen komplexe Fragestellungen zu modellieren, vielseitige Lösungsansätze praktisch umzusetzen und mit systematischen Methoden wissenschaftlich zu arbeiten.

The area of Data Mining includes concepts of information and knowledge. The students learn on the basis of algorithms how to deal with huge amounts of data in terms of processing and analysis as well as how to visualise and interpret data for knowledge discovery. The students learn how to model complex problems, apply various approaches practically, and work scientifically with systematic methods.


Top

Procedure/Vorgehen

Zu den Vorlesungen gibt es das Praktikum Data Mining, in welchem die Inhalte aus der Vorlesungen geübt und an Beispielen selbst umgesetzt werden.

Complementary to the lectures is the practical course Data Mining, in which the contents from the lectures will be trained and examples will be implemented.


Top

Literature/Literatur


Top

Material

Das Material für diese Veranstaltung ist innerhalb des CommSy Portals zu finden:
Informatik-CommSy: WTM: Data Mining SS2013