Information Mining
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
- Medizintechnik Master mit 6 Kreditpunkten
Termine
Vorlesung
Tag | Zeit | Beginn | Ort |
Tuesday | 12:30 - 14:55 | LB/131 |
Übungen
Tag | Zeit | Beginn | Ort | Betreuer |
Tuesday | 15:00 - 15:45 | LB/131 | Dr. Ahmet Aker |
Prüfungstermine
Klausur
Tag | Zeit | Ort |
5. 8. 2019 | 15:00 - 17:00 |
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
-
The Data Mining part is based on the book
'Data Mining' by Ian
Witten et al.. (accessible from within the university network only).
.
READ THIS BOOK! - Other books:
-
Charu C. Aggarwal: Data Mining: The Textbook, Springer, May 2015
(PDF)
(extensive treatment of advanced application like spatial and graph data, sequences, Web, social media, and privacy issues) - Jürgen Cleve, Uwe Lämmel: Data Mining. De Gruyter, 2016 (easy read, covers a subset of the Witten et al. book).
- Shai Shalev-Shwartz, Shai Ben-David: Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014.
- Mohammed J. Zaki, Wagner Meira: Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press, 2014.
-
Charu C. Aggarwal: Data Mining: The Textbook, Springer, May 2015
(PDF)
Vorlesungsmaterial
- Lehrangebot des Fachgebiets
-
Clustering Tutorial
Clustering Demo - Video Lecture: Learning with Probabilities
- Roberto Zicari: Big Data
- Pieters: Deep Learning for NLP (Talk slides)
- Deep learning Demos:
-
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.
Slides
- Chapter1-Introduction
- Chapter2-Input
- Chapter3-Output
- Chapter4-Basic Methods
- Chapter5-Evaluation
- Chapter6-Trees and Rules
- Chapter7-Instance-based and Linear Models
- Gradient Descent
- Deep Learning Lecture
- Chapter8-Data Transformations
- Chapter9-Probabilistic Methods
- Chapter11-Beyond Supervised and Unsupervised Learning
- Chapter12-Ensemble Learning
- Markov Models
- Mining Sequential Patterns
- Process Mining
- Deep Learning
- Causal Inference
- Big Data