Lab Course: Big Data Analytics

  • type: Lab Course
  • semester: SS 2017
  • time: 06.04.2017
    09:00 - 11:00 täglich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten


    13.04.2017
    09:45 - 11:15 täglich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    20.04.2017
    09:45 - 11:15 täglich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    24.04.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    03.05.2017
    15:45 - 17:15 täglich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    08.05.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    15.05.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    22.05.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    29.05.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    12.06.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    19.06.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    26.06.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    03.07.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    10.07.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    17.07.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten

    24.07.2017
    09:45 - 11:15 wöchentlich
    50.34 Raum 301 50.34 INFORMATIK, Kollegiengebäude am Fasanengarten
  • lecturer: Prof.Dr.-Ing. Klemens Böhm
  • sws: 2
  • lv-no.: 24874
BemerkungenDie Praktikumsplätze sind bereits vergeben an Teilnehmer der Vorlesung 'Analysetechniken für große Datenbestände' im vorangegangenen Semester.
VoraussetzungenEmpfehlungen:

Der Besuch der Vorlesung "Analysetechniken für große Datenbestände

BeschreibungIm Rahmen des Praktikums „Analyse großer Datenbestände“ wird das theoretische Wissen aus der Vorlesung „Analysetechniken für große Datenbestände“ mit Hilfe gängiger Softwaretools praktisch vertieft. Die Veranstaltung teilt sich in zwei Blöcke: Einen zum aktuellen Stand der Technik und einen darüber hinausgehenden Themenblock mit offenen Forschungsfragen. Im ersten Block wird unter Anlehnung an den KDD-Prozess ein Anwendungsbeispiel für die Wissensextraktion und Datenexploration in einem Unternehmen durchgespielt. Hierbei werden die verschiedenen Data Mining Verfahren näher beleuchtet. Der Fokus liegt auf Verfahren zum Clustering, der Klassifikation sowie der Bestimmung von Frequent Itemsets und Association Rules. Im zweiten Block wird ein einzelner Schritt im KDD-Prozess und dessen Schwächen im Stand der Technik betrachtet. Die Studierenden werden für diese offenen Probleme sensibilisiert und angeleitet eigene Lösungsansätze zu diesen offenen Forschungsfragen zu entwickeln. Sowohl das Anwendungsbeispiel als auch die offenen Forschungsfragen werden in Teams bearbeitet.
Arbeitsbelastung

Aktivität Aufwand
Präsenzzeit  (8 x 2 x 45 min) & 12h
Einarbeitung 20h
Eigenverantwortliches Arbeiten 80h 30 min
Präsentationsvorbereitung 10h
Summe: 122h 30min

ZielIm Praktikum soll das in der Vorlesung "Analysetechniken für große Datenbestände" erlernte Wissen über Data Mining in die Praxis umgesetzt werden. Dabei sollen die Studierenden gängige Softwaretools im Bereich Datenanalyse kennenlernen und diese in einer realen Anwendung einsetzen. Im ersten Teil des Praktikums sollen die Studierenden mit der Vorverarbeitung von Rohdaten sowie mit den Analyseschritten im KDD-Prozess vertraut gemacht werden. Sie sollen lernen wie man mit handelsüblichen Analysetools die bestmöglichen Ergebnisse in einer gegeben Anwendung erzielen kann. Im zweiten Teil des Praktikums sollen die Schwächen eines einzelnen Analyseschrittes näher untersucht werden. Die Studierenden werden mit ungelösten Problemen aus der Fachliteratur konfrontiert und lernen Lösungen dazu selbst zu entwickeln. Darüber hinaus sollen die Studenten lernen, im Team zusammenzuarbeiten, um die einzelnen Aufgaben erfolgreich zu lösen.
PrüfungDie Erfolgskontrolle erfolgt in Form einer "Erfolgskontrolle anderer Art" und besteht aus mehreren Teilaufgaben (Projekten, Experimenten, Vorträgen und Berichten, siehe §4, Abs. 2 SPO). Die Veranstaltung wird mit "bestanden" oder "nicht bestanden" bewertet (siehe §9, Abs. 3 SPO). Zum Bestehen des Praktikums müssen alle Teilaufgaben erfolgreich bestanden werden. Im Falle eines Abbruchs des Praktikums nach der ersten Praktikumssitzung wird dieses mit "nicht bestanden" bewertet.