Lehrpersonen

Dozent(in)

• Prof. Dr.-Ing. Norbert Fuhr

Übungsleiter(innen)

• Dr. Ahmet Aker

Formalia

Zielgruppe

• Angewandte Informatik Master mit 6 Kreditpunkten
• Komedia Master mit 6 Kreditpunkten
• ISE Master mit 6 Kreditpunkten
• BWL Master mit 2+1 Wochenstunden und 4 Kreditpunkten : nur Data Mining Kap. 1-7
• Medizintechnik Master mit 6 Kreditpunkten

Termine

Prüfungstermine

Beschreibung

Information Mining beschäftigt sich mit dem Extrahieren von impliziten, noch unbekannten Informationen aus Rohdaten (Data Mining), Texten (Text Mining), Graphen (Graph Mining) oder Prozessen (Process Mining). Dazu sollen Computer in die Lage versetzt werden, Datenbestände automatisch nach Gesetzmäßigkeiten und Mustern zu durchsuchen und einen Abstraktionsprozess durchzuführen, der als Ergebnis aussagekräftige Informationen liefert. Das maschinelle Lernen stellt dafür die Werkzeuge und Techniken zur Verfügung.

Anwendungen finden sich heute vor allem im Bereich 'Business Intelligence', der systematischen Datenanalyse mit dem Ziel, vorhandene Geschäftsprozesse zu optimieren oder neue Produkte und Dienstleistungen zu konzipieren. Aktuell spielt zudem das Thema 'Big Data' eine Rolle, wo es um die Auswertung von Massendaten aus Wirtschaft, Wissenschaft und Verwaltung geht (die z.B. auch mit Sensor-Netzwerken gesammelt werden).

Die Vorlesung wird auf Englisch gehalten!

Vorlesungsmaterial

Die Folien zur Vorlesung sowie die Übungsblätter können über ILIAS heruntergeladen werden. Dafür bitte folgende Schritte verfolgen:

• Shibboleth Login -> Anmeldung mit Uni-Kennung
• Klicke: Magazin -> Information Systems -> 2017 WS Information Mining
• Button "Beitreten" anklicken

Vorlesungsmaterial

• Lehrangebot des Fachgebiets
• The Data Mining part is based on the book 'Data Mining' by Ian Witten and Eibe Frank. The book chapters can be accessed/downloaded from within the university network as PDF files. .
  READ THIS BOOK!
  (The 2017 edition can be found here.)
• Clustering Tutorial
  Clustering Demo
• Video Lecture: Learning with Probabilities
• Roberto Zicari: Big Data
• Pieters: Deep Learning for NLP (Talk slides)
• Deep learning Demos:
  • Hinton's Neural Network Simulation
  • Google's Neural Network Playground
• Further reading:
  • Daniel Tunkelang: 10 Things Everyone Should Know About Machine Learning
  • SZ article on Data Analytics (in German): Das Erwachen, SZ vom 1.11.16
  • Pedro Domingos: A few useful things to know about machine learning
  • On Big Data and Data Science. Interview with James Kobielus, IBM Big Data Evangelist.
  • Jürgen Cleve, Uwe Lämmel: Data Mining. De Gruyter, 2016 (easy read, covers a subset of the Witten/Frank book).
  • Thomas A. Runkler; Data Mining. Vieweg+Teubner 2009
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009 Series in Statistics
  • Shai Shalev-Shwartz, Shai Ben-David: Understanding Machine Learning: From Theory to Algorithms
  • Mohammed J. Zaki, Wagner Meira: Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press, 2014.

Course structure

Lehrangebot des Fachgebiets

Introduction to IM:

• Data Mining
  • Chapter 1: Introduction
  • Chapter 2: Imput: Concepts, Instances, Attributes
  • Chapter 3: Output: Knowledge Representation
  • Chapter 4: Algoriths: The Basic Methods
  • Chapter 5: Credibility: Evaluating what's been learned
  • Chapter 6: Implementation: Real machine learning schemes
  • Chapter 7: Data transformations
  • Chapter 8: Ensemble learning
• Deep learning
• Big Data
• Mining Sequential Patterns:
• Graph Mining
• Process Mining

Übungen