Data Science: Methoden und Techniken - Interaktive Studienpläne der TU Ilmenau
Die Interaktiven Studienpläne sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.
Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).
Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.
Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.
| Modulinformationen zu Data Science: Methoden und Techniken im Studiengang Master Ingenieurinformatik 2014 | |
|---|---|
| Modulnummer | 200042 |
| Prüfungsnummer | 2200687 |
| Fakultät | Fakultät für Informatik und Automatisierung |
| Fachgebietsnummer | 2254 (Datenbanken und Informationssysteme) |
| Modulverantwortliche(r) | Prof. Dr. Kai-Uwe Sattler |
| Turnus | Sommersemester |
| Sprache | Deutsch |
| Leistungspunkte | 5 |
| Präsenzstudium (h) | 45 |
| Selbststudium (h) | 105 |
| Verpflichtung | Wahlmodul |
| Abschluss | mündliche Prüfungsleistung, 30 Minuten |
| Details zum Abschluss | |
| Link zum Moodle-Kurs | https://moodle.tu-ilmenau.de/enrol/index.php?id=2925 |
| Lehrende | Prof. Dr. Sattler, Kai-Uwe |
| Anmeldemodalitäten für alternative PL oder SL | |
| max. Teilnehmerzahl | |
| Vorkenntnisse | Datenbanksysteme, Statistik, Programmierkenntnisse |
| Lernergebnisse und erworbene Kompetenzen | 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. |
| Inhalt | 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 |
| Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form | Vorlesung mit Präsentationen und Tafel, Handouts,
|
| Literatur | 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. |
| Lehrevaluation | |