Home | english | Impressum | Sitemap | KIT

Praktikum: Analyse großer Datenbestände

Praktikum: Analyse großer Datenbestände
Typ: Praktikum (P) Links:
Lehrstuhl: Fakultät für Informatik
Semester: SS 2014
Zeit:

Montag, 09:45 - 11:15 Uhr, wöchentlich

Raum 301 (3. Stock)
50.34 Informatik, Kollegiengebäude am Fasanengarten 

Dozent: Prof.Dr.Ing. Klemens Böhm
Dr. Emmanuel Müller
Christopher Oßner
Fabian Keller
SWS: 2
LVNr.: 24874

Anmeldung

Zur Anmeldung für das Praktikum wurde in der Vorlesung "Data Warehousing und Mining" im letzten Semester eine Anmeldeliste herumgegeben.

Inhalt

Im Rahmen des Praktikums Analyse großer Datenbestände wird das theoretische Wissen aus der zugehörigen Vorlesung mit Hilfe marktüblicher Tools praktisch vertieft. Das Praktikum umfasst Vorlesungen mit Einführungen in die notwendigen Funktionen der jeweiligen Tools sowie einer Phase, in welcher in Gruppen- oder Einzelarbeit eine Aufgabe gelöst wird. Am Ende eines Blocks wird der Lernfortschritt durch einen Tutor abgeprüft.

Ein beispielhaftes Anwendungsproblem aus dem Data-Mining-Bereich wird während der Teilnahme am DATA-MINING-CUP gelöst. In dieser Phase werden unter Anlehnung an den KDD-Prozess typische Vorgehensweisen sowie verschiedene Data-Mining-Verfahren näher beleuchtet. Der Fokus liegt auf Verfahren zum Clustering, der Klassifikation sowie der Bestimmung von Frequent Itemsets und Association Rules.

Lernziele

Im Praktikum soll das in der Vorlesung “Data Warehousing und Mining” erlernte Wissen über Data Mining in die Praxis umgesetzt werden. Dabei sollen die Studierenden gängige Tools kennenlernen und einsetzen. Die Studierenden sollen gängige Mining Techniken kennenlernen. Sie werden mit den typischen Problemen konfrontiert und lernen, Lösungen zu entwickeln. Darüber hinaus sollen die Studenten lernen, im Team zusammenzuarbeiten, um die einzelnen Aufgaben erfolgreich zu lösen.


Literatur

M. Berthold, C. Borgelt, F. Höppner und F. Klawonn: “Guide to Intelligent Data Analysis”, Springer-Verlag, 2010
J. Han und M. Kamber: "Data Mining: Concepts and Techniques", Morgan Kaufmann, 2006.
I. H. Witten und E. Frank: "Data Mining - Practical Machine Learning Tools and Techniques", Morgan Kaufmann, 2005.
D. Hand, H. Mannila und P. Smyth: "Principles of Data Mining", MIT Press, 2001.
L. I. Kuncheva: "Combining Pattern Classifiers", Wiley-Interscience, 2004.
A. Bauer, H. Günzel: "Data Warehouse Systeme – Architektur, Entwicklung, Anwendung", dpunkt.verlag, 2004.
T. Mitchell: “Machine Learning”, McGraw Hill, 1997.