Mündliche Prüfung
| Zeitraum | Ort |
|---|---|
| 04.03.2013 - 06.03.2013 | LF/135 |
Lehrpersonen
- Dozent(in)
- Übungsleiter(innen)
Formalia
- Zielgruppe
- Angewandte Informatik Master
- Komedia Master
- ISE Master
- BWL Master mit 2+1 Wochenstunden und 4 Kreditpunkten : ohne den Text-Mining-Teil
Prüfungstermine
Die Einzeltermine werden nach Ablauf der Rücktrittsfrist hier auf der Webseite bekanntgegeben.
Sollten Sie an einzelnen Tagen des o.g. Prüfungszeitraums verhindert sein, senden Sie bitte spätestens 10 Tage vorher eine Mail an norbert.fuhr@uni-due.de.
Termine
Vorlesung
Tag | Zeit | Beginn | Ort |
| Dienstag | 10:15 - 12:40 | LC/137 |
Übungen
Tag | Zeit | Beginn | Ort | Betreuer |
| Dienstag | 13:15 - 14:00 | LC/137 | Dipl.-Inform. Marc Lechtenfeld |
Beschreibung
Information Mining beschäftigt sich mit dem Extrahieren von impliziten, noch unbekannten Informationen aus Rohdaten (Data Mining) bzw. Texten (Text Mining). Dazu sollen Computer in die Lage versetzt werden, Datenbasen 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).
Gliederung der Vorlesung
-
Data Mining
- Einführung
- Eingabe: Konzepte, Instanzen, Attribute
- Ausgabe: Wissensrepräsentation
- Algorithmen: Die grundlegenden Methoden
- Glaubwürdigkeit: Auswertung des Gelernten
- Implementierung: Maschinelles Lernen in der Praxis
- Transformationen: Aufbereitung der Ein- und Ausgabe
- Multivariate Statistik
- Data Warehouses
- Zeitreihen
-
Text Mining
- Flaches Clustering
- Hierarchisches Clustering
- Optimales Clustering
Folien
Einige Folienkapitel sind aus Copyright-Gründen nur innerhalb der UDE erreichbar!
- Data Mining
- Text Mining
Mitschriften
Übungen
- Übungsblatt 1
- Übungsblatt 2
- Übungsblatt 3
- Übungsblatt 4
- Übungsblatt 5
- Übungsblatt 6
- Übungsblatt 7
- Übungsblatt 8
- Übungsblatt 9
- Übungsblatt 10
- Übungsblatt 11
- Übungsblatt 12
Hilfreiche Links zu RapidMiner
- RapidMiner-Download bei Rapid-I oder Sourceforge
- RapidMiner-Anleitung (PDF)
- Video-Tutorials
Weitere Übungsaufgaben
- Beispiel-Übungsaufgaben
-
Beispiel-Fragen
für die mündliche Prüfung
(beachten Sie hierzu auch die Wiederholungs-Folien )
Begleitmaterial
- Der Data-Mining-Teil basiert auf dem Lehrbuch 'Data Mining' von Ian Witten und Eibe Frank.
- Der Text-Mining-Teil basiert auf den Kapiteln 13-17 des Buches Introduction to Information Retrieval von D. Manning, Prabhakar Raghavan und Hinrich Schütze.
- Das Optimum Clustering Framework ist beschrieben in Norbert Fuhr; Marc Lechtenfeld; Benno Stein; Tim Gollub (2011). The Optimum Clustering Framework: Implementing the Cluster Hypothesis. Information Retrieval 14
- Clustering-Tutorial und Demo
- Video Lecture: Learning with Probabilities
-
Weiterführende Literatur:
- 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