Lehre/Seminar Knowledge Discovery and Data Mining: Unterschied zwischen den Versionen
Ne2260 (Diskussion | Beiträge) |
Mi8866 (Diskussion | Beiträge) |
||
Zeile 3: | Zeile 3: | ||
|Titel DE=Knowledge Discovery and Data Mining | |Titel DE=Knowledge Discovery and Data Mining | ||
|Titel EN=Knowledge Discovery and Data Mining | |Titel EN=Knowledge Discovery and Data Mining | ||
− | |Forschungsgruppe= | + | |Forschungsgruppe=Web Science |
− | |Dozent= | + | |Dozent=York Sure-Vetter; Achim Rettinger; |
− | |Übungsleiter= | + | |Übungsleiter=Steffen Thoma; Aditya Mogadala; Patrick Philipp; |
|Semester=SS | |Semester=SS | ||
− | |LinkVVZ=http:// | + | |LinkVVZ=http://ilias.studium.kit.edu |
− | |LinkStudierendenportal=https://studium.kit.edu | + | |LinkStudierendenportal=https://campus.studium.kit.edu |
|Inhalt=Ziel des Praktikums KDDM ist die komplette Durchführung eines Data Mining Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung, Berechnung sowie die Auswertung der MiningErgebnisse. Bewertet wird die praktische Umsetzung des Themas (Softwareentwicklung) sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Mining Gebiet beinhalten soll. Beim ersten Termin wird ein Auswahl von Datensätzen und zugehörigen Aufgabe / Algorithmen vorgestellt. Außerdem werden Gruppen gebildet und Themen zu Gruppen zugeordnet. Denkbare Themen sind z.B. Empfehlungsdienste für Nachrichtenartikel; Analyse von Modellierungsunterschieden der Wikipedia Taxonomie in verschiedenen Sprachen; Zuordnung von Nachrichtenartikeln zu WikipediaKategorien; Erkennung dynamischer Fakten in der DBpedia, etc. | |Inhalt=Ziel des Praktikums KDDM ist die komplette Durchführung eines Data Mining Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung, Berechnung sowie die Auswertung der MiningErgebnisse. Bewertet wird die praktische Umsetzung des Themas (Softwareentwicklung) sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Mining Gebiet beinhalten soll. Beim ersten Termin wird ein Auswahl von Datensätzen und zugehörigen Aufgabe / Algorithmen vorgestellt. Außerdem werden Gruppen gebildet und Themen zu Gruppen zugeordnet. Denkbare Themen sind z.B. Empfehlungsdienste für Nachrichtenartikel; Analyse von Modellierungsunterschieden der Wikipedia Taxonomie in verschiedenen Sprachen; Zuordnung von Nachrichtenartikeln zu WikipediaKategorien; Erkennung dynamischer Fakten in der DBpedia, etc. | ||
Version vom 9. Mai 2017, 11:15 Uhr
Praktikum Knowledge Discovery and Data Mining
Dozent(en) | York Sure-Vetter, Achim Rettinger |
Übungsleiter | Steffen Thoma, Aditya Mogadala, Patrick Philipp |
Fach (Gebiet) | |
Leistungspunkte | ECTS |
Erfolgskontrolle | |
Semester | SS |
Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal
Ziel des Praktikums KDDM ist die komplette Durchführung eines Data Mining Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung, Berechnung sowie die Auswertung der MiningErgebnisse. Bewertet wird die praktische Umsetzung des Themas (Softwareentwicklung) sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Mining Gebiet beinhalten soll. Beim ersten Termin wird ein Auswahl von Datensätzen und zugehörigen Aufgabe / Algorithmen vorgestellt. Außerdem werden Gruppen gebildet und Themen zu Gruppen zugeordnet. Denkbare Themen sind z.B. Empfehlungsdienste für Nachrichtenartikel; Analyse von Modellierungsunterschieden der Wikipedia Taxonomie in verschiedenen Sprachen; Zuordnung von Nachrichtenartikeln zu WikipediaKategorien; Erkennung dynamischer Fakten in der DBpedia, etc.
Die Gruppen können bei Interesse Aufgaben und Themen mitgestalten.
Detaillierte Referenzen werden zusammen mit den jeweiligen Themen angegeben. Allgemeine Hintergrundinformationen ergeben sich z.B. aus den folgenden Lehrbüchern:
- Mitchell, T.; Machine Learning, McGraw Hill, 1997.
- Cook, D.J. and Holder, L.B. (Editors) Mining Graph Data, ISBN: 0-471-73190-0, Wiley,
- Manning, C. and Schütze, H.; Foundations of Statistical NLP, MIT Press, 1999.