Technische Universität Ilmenau

Knowledge Discovery in Databases - Modultafeln der TU Ilmenau

Die Modultafeln 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.

Informationen und Handreichungen zur Pflege von Modulbeschreibungen durch die Modulverantwortlichen finden Sie unter Modulpflege.

Hinweise zu fehlenden oder fehlerhaften Modulbeschreibungen senden Sie bitte direkt an modulkatalog@tu-ilmenau.de.

Modulinformationen zu Knowledge Discovery in Databases im Studiengang Master Wirtschaftsinformatik 2018
ACHTUNG: wird nicht mehr angeboten!
Modulnummer8232
Prüfungsnummer2200212
FakultätFakultät für Informatik und Automatisierung
Fachgebietsnummer 2254 (Datenbanken und Informationssysteme)
Modulverantwortliche(r)Prof. Dr. Kai-Uwe Sattler
TurnusSommersemester
SpracheDeutsch
Leistungspunkte5
Präsenzstudium (h)34
Selbststudium (h)116
VerpflichtungWahlmodul
Abschlussmündliche Prüfungsleistung, 30 Minuten
Details zum Abschluss
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Vorkenntnisse

Vorlesungen Datenbanksysteme, Statistik

Lernergebnisse und erworbene Kompetenzen

Die Studierenden verstehen nach dem Besuch dieser Veranstaltung fortgeschrittene Konzepte des Data Mining. Sie kennen den Prozess der Wissensentdeckung in Datenbanken sowie konkrete Teilaufgaben dieses Prozesses. Sie verstehen Verfahren zum Data Mining für spezielle Problemstellungen wie die Analyse von Datenströmen, raum- bzw. zeitbezogenen Daten und Graphstrukturen.

Die Studierenden sind in der Lage, konkrete Data-Mining-Verfahren hinsichtlich des Einsatzes für konkrete Aufgabenstellungen auszuwählen, zu bewerten und anzuwenden.

Inhalt

Einführung; Grundlagen: Statistik, Daten, Datenaufbereitung; Klassische Data-Mining-Techniken: Clustering, Frequent Itemset Mining, Klassifikation; Online Mining in Datenströmen: Datenstromverarbeitung, Datenzusammenfassungen, Frequent Pattern Mining, Clustering in Datenströmen, Klassifikation; Graph Mining: Mustersuche in Graphen, Erkennen von Communities, Erkennung häufiger Subgraphen, Spatio-Temporal Mining: Sequential Pattern Mining, räumliche Ausreißer und Clustering, Prediktion; Big Data Analytics: MapReduce und Hadoop, Data-Mining-Tasks in Hadoop

Medienformen

Vorlesung mit Präsentation und Tafel, Handouts, Moodle

Literatur

V. Kumar, M. Steinbach, P. Tan: Introduction to Data Mining, Addison Wesley, 2005.

J. Han, M. Kamber, J. Pei: Data Mining: Concepts and Techniques, 3. Auflage, Morgan Kaufmann Publishers, 2011.

M. Ester, J. Sander: Knowledge Discovery in Databases, Springer Verlag, 2000.

Lehrevaluation

Pflichtevaluation:

Freiwillige Evaluation:

WS 2009/10 (Vorlesung)

WS 2012/13 (Vorlesung)

WS 2013/14 (Vorlesung)

SS 2015 (Vorlesung)

SS 2017 (Vorlesung)

SS 2019 (Vorlesung, Seminar)

Hospitation: