Hauptinhalt

Dieser Eintrag ist aus dem Wintersemester 2022/23 und möglicherweise veraltet. Es konnte kein aktuelles Äquivalent gefunden werden.

CS 691 — Temporales Data Mining
(engl. Temporal Data Mining)

Niveaustufe, Verpflichtungsgrad Vertiefungsmodul, abhängig vom importierenden Studiengang
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.
Exportfach, Ursprung Informatik, 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.


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 Wintersemester 2022/23 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.