Hauptinhalt
Dieser Eintrag ist aus dem Sommersemester 2018 und möglicherweise veraltet. Es konnte kein aktuelles Äquivalent gefunden werden.
CS 691 — Temporales Data Mining
(engl. Temporal Data Mining)
Niveaustufe, Verpflichtungsgrad | Vertiefungsmodul, Wahlpflichtmodul |
Lehr- und Lernformen, Arbeitsaufwand |
Vorlesung (2 SWS), Übung (2 SWS), 180 Stunden (60 Std. Präsenzzeit, 120 Std. Selbststudium) |
Leistungspunkte, Voraussetzungen zum Erwerb |
6 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 M.Sc. Data Science. |
Dauer des Moduls, Häufigkeit |
Ein Semester, Jedes Sommersemester |
Modulverantwortliche(r) | Prof. Dr. Alfred Ultsch |
Inhalt
- praktische Verwendung von explorativen statistischen Methoden zur Beschreibung und Analyse der Daten
- Theorie und Praxis von Fouriertransformationen für Zeitreihen
- Theorie und Praxis von Waveletransformationen für Zeitreihen
- Modellierung Stochastischer Prozesse (ARMA, GARCH)
- Markov Modelle
- Neuronale Netze zur Analyse und Prognose von Zeitreihen
- Temporales Knowledge Discovery
Qualifikationsziele
Die Studierenden sollen
- wissenschaftliche Vorgehensweisen bei der Untersuchung von Zeitreihen kennenlernen, um neue und bislang unbekannte zeitliche Muster zu entdecken,
- Kenntnisse der wichtigsten Analyseverfahren wie Fourier- und Wavelet-Analyse erwerben,
- Statistische statistische Modellierungsmöglichkeiten von Zeitreihen kennenlernen,
- Methoden erlernen, um aus Zeitreihen symbolische Musterbeschreibungen erzeugen zu können,
- wissenschaftliche 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 Modulen Objektorientierte Programmierung, Algorithmen und Datenstrukturen sowie Knowledge Discovery vermittelt werden.
Verwendbarkeit
Importmodul aus dem M.Sc. Data Science.
Es kann im FB12 verwendet werden im Studiengang bzw. in den Studiengängen
- B.Sc. Informatik
- M.Sc. Data Science
- M.Sc. Informatik
- M.Sc. Mathematik
- M.Sc. Wirtschaftsinformatik
- M.Sc. Wirtschaftsmathematik
- LAaG Informatik
Im Studiengang M.Sc. Wirtschaftsmathematik kann das Modul im Studienbereich Vertiefungsbereich absolviert werden.
Die Wahlmöglichkeit des Moduls ist dadurch beschränkt, dass es der Informatik zugeordnet ist.
Literatur
- S. Mallat: A Wavelet Tour on Signal Processing, Academic Press 1999.
- D.B. Percival, A.T Walden: Wavelet Methods for Time Series Analysis, Cambridge 2002.
- J. Franke, W. Härdle, C. Hafner: Statistik der Finanzzeitreihen, Springer 2003.
- J. Hartung, B. Elpelt: Multivariate Statistik, Oldenburg, 1999.
Bitte beachten Sie:
Diese Seite beschreibt ein Modul gemäß dem im Sommersemester 2018 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:
- WiSe 2016/17 (kein Äquivalent)
- SoSe 2018
- WiSe 2018/19
- WiSe 2019/20
- WiSe 2020/21
- SoSe 2021
- WiSe 2021/22
- WiSe 2022/23
- WiSe 2023/24 (kein Äquivalent)
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.