Lehre/Vorlesung Knowledge Discovery: Unterschied zwischen den Versionen
Aus Aifbportal
Cj2486 (Diskussion | Beiträge) |
Mi8866 (Diskussion | Beiträge) |
||
Zeile 3: | Zeile 3: | ||
|Titel DE=Knowledge Discovery | |Titel DE=Knowledge Discovery | ||
|Titel EN=Knowledge Discovery | |Titel EN=Knowledge Discovery | ||
− | |Forschungsgruppe=Web Science | + | |Forschungsgruppe=Web Science |
− | |Dozent= | + | |Dozent=York Sure-Vetter; Achim Rettinger; |
− | |Übungsleiter= | + | |Übungsleiter=Aditya Mogadala; |
|Semester=WS | |Semester=WS | ||
− | |LinkVVZ= | + | |LinkVVZ=http://ilias.studium.kit.edu |
− | |LinkStudierendenportal=https://studium.kit.edu | + | |LinkStudierendenportal=https://campus.studium.kit.edu |
|Inhalt=Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Data-Mining-Prozess umfasst Datenrepräsentationen, Data Warehouses, OLAP-Techniken, Visualisierungen und Evaluation. Als Lernverfahren werden z.B. Neuronale Netze, Matrixfaktorisierung, Instance/Memory Based Learning, Support Vector Machines, Decision Trees, Ensemble methods, und Graphische Modelle behandelt. | |Inhalt=Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Data-Mining-Prozess umfasst Datenrepräsentationen, Data Warehouses, OLAP-Techniken, Visualisierungen und Evaluation. Als Lernverfahren werden z.B. Neuronale Netze, Matrixfaktorisierung, Instance/Memory Based Learning, Support Vector Machines, Decision Trees, Ensemble methods, und Graphische Modelle behandelt. | ||
|Literatur=Grundlegende Literatur: | |Literatur=Grundlegende Literatur: |
Version vom 9. Mai 2017, 11:11 Uhr
Vorlesung Knowledge Discovery
Details zur Lehrveranstaltung
Dozent(en) | York Sure-Vetter, Achim Rettinger |
Übungsleiter | Aditya Mogadala |
Fach (Gebiet) | |
Leistungspunkte | ECTS |
Erfolgskontrolle | |
Semester | WS |
Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal
Forschungsgruppe
Inhalt
Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Data-Mining-Prozess umfasst Datenrepräsentationen, Data Warehouses, OLAP-Techniken, Visualisierungen und Evaluation. Als Lernverfahren werden z.B. Neuronale Netze, Matrixfaktorisierung, Instance/Memory Based Learning, Support Vector Machines, Decision Trees, Ensemble methods, und Graphische Modelle behandelt.
Literatur
Grundlegende Literatur:
- T. Mitchell. Machine Learning. 1997
- M. Berhold, D. Hand (eds). Intelligent Data Analysis - An Introduction. 2003
- I.H. Witten, E. Frank. Data Mining: Practical Machine Learning Tools and Techniques. 2005