Stage-oe-small.jpg

Lehre/Seminar Knowledge Discovery and Data Mining: Unterschied zwischen den Versionen

Aus Aifbportal
Wechseln zu:Navigation, Suche
Zeile 4: Zeile 4:
 
|Titel EN=Knowledge Discovery and Data Mining
 
|Titel EN=Knowledge Discovery and Data Mining
 
|Forschungsgruppe=Wissensmanagement
 
|Forschungsgruppe=Wissensmanagement
|Dozent=Rudi Studer; Philipp Sorg; Uta Lösch;
+
|Dozent=Lei Zhang; Andreas Thalhammer; Michael Färber; Achim Rettinger; Rudi Studer
 
|Übungsleiter=-
 
|Übungsleiter=-
 
|Semester=SS
 
|Semester=SS
 
|LinkVVZ=http://www.uni-karlsruhe.de/info/vvz.php
 
|LinkVVZ=http://www.uni-karlsruhe.de/info/vvz.php
|LinkStudierendenportal=https://studium.kit.edu/sites/vab/65661
+
|LinkStudierendenportal=https://studium.kit.edu
 
|Inhalt=Ziel des Praktikums KDDM ist die komplette Durchführung eines Data Mining Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung sowie die Auswertung der Mining-Ergebnisse.
 
|Inhalt=Ziel des Praktikums KDDM ist die komplette Durchführung eines Data Mining Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung sowie die Auswertung der Mining-Ergebnisse.
  

Version vom 26. Februar 2014, 10:06 Uhr

Praktikum Knowledge Discovery and Data Mining

Details zur Lehrveranstaltung
Dozent(en) Lei ZhangAndreas ThalhammerMichael FärberAchim RettingerRudi Studer
Übungsleiter -
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


Forschungsgruppe


Inhalt

Ziel des Praktikums KDDM ist die komplette Durchführung eines Data Mining Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung sowie die Auswertung der Mining-Ergebnisse.

Themen können in Gruppen bearbeitet werden. Bewertet wird die praktische Umsetzung des Themas sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Mining Gebiet beinhalten soll.

Tools:

  • Weka
  • IBM InfoSphere Warehouse

Themen:

  • Text Mining in großen Textkorpora
    • Was sind interessante Terme?
    • Wie sind Terme auf Dokument-Kategorien verteilt?
  • Data Mining auf semi-strukturierten Daten
    • Wie können die Daten sinnvoll gruppiert werden?
    • Wie verändert sich Popularität über Zeit?

Korpora:

  • Yahoo! Answers Korpus
  • IMDB Korpus


Literatur

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.