Data Science: Methods and Techniques - Interactive curriculae of TU Ilmenau
The interactive curriculae provide information on the degree programmes offered by the TU Ilmenau.
Please refer to the respective study and examination rules and regulations for the legally binding curricula (Annex Curriculum).
You can find all details on planned lectures and classes in the course catalogue.
Please note that this page is no longer updated. All modules and study plans from PO version 2021 onwards (Bachelor and Master study programs) are now available on the Campus Portal.
| module properties Data Science: Methods and Techniques in degree program Master Informatik 2021 | |
|---|---|
| module number | 200042 |
| examination number | 2200687 |
| department | Department of Computer Science and Automation |
| ID of group | 2254 (Databases and Information Systems) |
| module leader | Prof. Dr. Kai-Uwe Sattler |
| term | summer term only |
| language | Deutsch |
| credit points | 5 |
| on-campus program (h) | 45 |
| self-study (h) | 105 |
| obligation | elective module |
| exam | oral examination performance, 30 minutes |
| details of the certificate | |
| link to Moodle course | https://moodle.tu-ilmenau.de/enrol/index.php?id=2925 |
| teacher | Prof. Dr. Sattler, Kai-Uwe |
| signup details for alternative examinations | |
| maximum number of participants | |
| previous knowledge and experience | Datenbanksysteme, Statistik, Programmierkenntnisse |
| learning outcome | Nach Besuch dieser Veranstaltung sind die Studierenden mit fortgeschrittenen Methoden zur Auswertung und Analyse großer Datenbestände vertraut. Sie verstehen Data-Mining-/Machine Learning-Verfahren zur Analyse klassischer relationaler Geschäftsdaten als auch von raum- bzw. zeitbezogenen Daten, Graph- und Textdaten. Weiterhin kennen sie Prinzipien verteilter und paralleler Architekturen inkl. Data Warehouses und moderner Big-Data-Plattfomen zur Verwaltung und Analyse sehr großer Datenbestände. Die Studierenden können die zugrundeliegenden Methoden sowie die technischen Aspekte erklären und hinsichtlich ihrer Vor- und Nachteile für verschiedene Einsatzzwecke bewerten. Mit den Übungen können die Studierenden Standardwerkzeuge (Datenbanken, Data Warehouses, interaktive Notebooks) anhand konkreter Aufgabenstellungen zur Datenanalyse praktisch anwenden. Sie können eigene Lösungen entwickeln, bewerten und diese präsentieren, können sich an themenspezifischen Diskussionen beteiligen und sind bereit, Fragen zu beantworten. |
| content | Datenanalysepipeline; Big-Data-Architekturen; Data Warehousing und OLAP; Data-Mining-Techniken: Clustering, Frequent Itemset Mining; Analyse von Graph-Daten (Mustersuche in Graphen, Erkennen von Communities, Erkennung häufiger Subgraphen), Mining raum-zeitbezogener Daten (Sequential Pattern Mining, Trajectory Mining); NLP und Text Mining: Relationship-Extraktion, Word Sense Disambiguation, Named Entity Recognition; Sentiment Analyse; Parallelisierung und Verteilung: Partitionierungstechniken, datenparallele Verarbeitung |
| media of instruction and technical requirements for education and examination in case of online participation | Vorlesung mit Präsentationen und Tafel, Handouts,
|
| literature / references | Köppen, Saake, Sattler: Data Warehouse Technologien: Technische Grundlagen, mitp-Verlag, 2012. Kumar,Steinbach, Tan: Introduction to Data Mining, Addison Wesley, 2005. Lehner, Sattler: Web-Scale Data Management for the Cloud, Springer, 2013. Rahm, Saake, Sattler: Verteiltes und Paralleles Datenmanagement, Springer, 2015. |
| evaluation of teaching | |