Hauptinhalt

Dieser Eintrag ist aus dem Wintersemester 2016/17 und möglicherweise veraltet. Es konnte kein aktuelles Äquivalent gefunden werden.

CS 591 — Knowledge Discovery
(engl. Knowledge Discovery)

Niveaustufe, Verpflichtungsgrad Aufbaumodul, abhängig vom importierenden Studiengang
Lehr- und Lernformen,
Arbeitsaufwand		 Vorlesung (4 SWS), Übung (2 SWS),
270 Stunden (90 Std. Präsenzzeit, 180 Std. Selbststudium)
Leistungspunkte,
Voraussetzungen zum Erwerb		 9 LP
Studienleistung(en): Erreichen von mindestens 50 Prozent der Punkte aus den wöchentlich zu bearbeitenden Übungsaufgaben und mündliche Präsentation der Lösung von mindestens zwei der Übungsaufgaben.
Prüfungsleistung: Mündliche Prüfung
Sprache,
Benotung		 Deutsch,
Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang B.Sc. Informatik.
Exportfach, Ursprung Informatik, B.Sc. Informatik
Dauer des Moduls,
Häufigkeit		 Ein Semester,
Jedes Wintersemester
Modulverantwortliche(r) Prof. Dr. Alfred Ultsch

Inhalt

In Datensammlungen neues, nützliches und für menschliche Experten verständliches Wissen zu entdecken ist häufige Aufgabe in Forschung und Anwendung. Sie erfordert Kenntnisse in Statistik aber auch in Methoden der Künstlichen Intelligenz (Maschinelles Lernen, Expertensysteme, Wissensgewinnung und -verarbeitung). Insbesondere datenbionische, also von der Natur entlehnte Methoden wie z.B. Neuronale Netze, Schwarmsysteme und emergente selbstorganisierende Systeme. Das gewonnene Wissen soll sowohl für Menschen verständlich sein, als auch in Expertensystemen algorithmisch genutzt werden können sein. Die Vorlesung vermittelt die für eine solche Wissensentdeckung aus Datenbanken nötigen Kenntnisse aus den genannten Gebieten.


Qualifikationsziele

Die Studierenden sollen

  • wissenschaftliche Vorgehensweisen zur Untersuchung von Datensammlungen mit dem Ziel, neues und bislang unbekanntes Wissen zu entdecken, kennen.
  • explorativen statistischen Methoden zur Beschreibung und Analyse der Daten, Methoden der Visualisierung und Projektion von hochdimensionalen, unterschiedliche Verfahren zur Clusterung von Daten und ihre Eigenheiten, Verfahren des Maschinellen Lernens zum Bau von Klassifikatoren, Wissensarten und Expertensysteme kennen und anwenden können
  • Kenntnisse zu naturanalogen Methoden der Wissensentdeckung (Neuronale Netze, Schwarmsysteme, Emergente Selbstorganisation) erwerben,
  • wissenschaftlicher Arbeitsweisen einüben (Erkennen, Formulieren, Lösen von Problemen, Schulung des Abstraktionsvermögens)
  • mündliche Kommunikationsfähigkeit in den Übungen durch Einüben der freien Rede vor einem Publikum trainieren.

Voraussetzungen

Keine. Empfohlen werden die Kompetenzen, die in den Basismodulen der Informatik vermittelt werden.


Literatur

  • D. Hand, H. Mannila, P. Smyth: Principles of Data Mining. MIT Press, 2001; T. Hastie , R. Tibshirani , J. H. Friedman: The Elements of Statistical Learning, Springer, 2001; R. O. Duda, P. E. Hart, D.G. Stork: Pattern Classification, John Wiley, 2001



Bitte beachten Sie:

Diese Seite beschreibt ein Modul gemäß dem im Wintersemester 2016/17 aktuellsten gültigen Modulhandbuch. Die meisten für ein Modul gültigen Regeln werden nicht durch die Prüfungsordnung festgelegt, und können daher von Semester zu Semester aktualisiert werden. Folgende Versionen liegen im Online-Modulhandbuch vor:

Das Modulhandbuch enthält alle Module, unabhängig vom aktuellen Veranstaltungsangebot, vergleichen Sie dazu bitte das aktuelle Vorlesungsverzeichnis in Marvin.

Die Angaben im Online-Modulhandbuch wurden automatisch erstellt. Rechtsverbindlich sind die Angaben der Prüfungsordnung. Wenn Ihnen Unstimmigkeiten oder Fehler auffallen, sind wir für Hinweise dankbar.