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=Web Science
 
|Forschungsgruppe=Web Science
|Dozent=York Sure-Vetter; Achim Rettinger;
+
|Dozent=York Sure-Vetter
|Übungsleiter=Steffen Thoma; Patrick Philipp;
+
|Übungsleiter=Michael Färber; Anna Nguyen
 
|Fach=Künstliche Intelligenz; Maschinelles Lernen; Data Science
 
|Fach=Künstliche Intelligenz; Maschinelles Lernen; Data Science
 
|Semester=SS
 
|Semester=SS
 
|LinkVVZ=http://ilias.studium.kit.edu
 
|LinkVVZ=http://ilias.studium.kit.edu
 
|LinkStudierendenportal=https://campus.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 ist die komplette Durchführung eines Data Science Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung, Berechnung sowie die Auswertung von Data Mining-Ergebnissen. Bewertet wird die praktische Umsetzung des Themas (Softwareentwicklung) sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Science Gebiets 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.
 
Die Gruppen können bei Interesse Aufgaben und Themen mitgestalten.

Version vom 31. März 2019, 06:50 Uhr

Praktikum Knowledge Discovery and Data Mining

Details zur Lehrveranstaltung
Dozent(en) York Sure-Vetter
Übungsleiter Michael FärberAnna Nguyen
Fach (Gebiet) Künstliche IntelligenzMaschinelles LernenData Science
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 ist die komplette Durchführung eines Data Science Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung, Berechnung sowie die Auswertung von Data Mining-Ergebnissen. Bewertet wird die praktische Umsetzung des Themas (Softwareentwicklung) sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Science Gebiets 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.


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.