Hauptinhalt

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		 Englisch,
Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang M.Sc. Data Science.
Dauer des Moduls,
Häufigkeit		 Ein Semester,
Unregelmäßig
Modulverantwortliche(r) Prof. Dr. Michael Thrun

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

  • können wissenschaftliche Vorgehensweisen bei der Untersuchung von Zeitreihen erklären und anwenden, um neue und bislang unbekannte zeitliche Muster zu entdecken,
  • können die wichtigsten Analyseverfahren wie Fourier- und Wavelet-Analyse beschreiben und gegenüberstellen,
  • können statistische Modellierungsmöglichkeiten von Zeitreihen erläutern,
  • können Methoden anwenden, um aus Zeitreihen symbolische Musterbeschreibungen zu erzeugen,
  • können wissenschaftliche Arbeitsweisen (Erkennen, Formulieren, Lösen von Problemen, Schulung des Abstraktionsvermögens) anwenden,
  • sind in der Lage, über wissenschaftliche Inhalte frei zu sprechen, sowohl vor einem Publikum als auch in einer Diskussion.

Voraussetzungen

Keine. Empfohlen werden die Kompetenzen, die in den Modulen Objektorientierte Programmierung sowie Algorithmen und Datenstrukturen vermittelt werden.


Verwendbarkeit

Das Modul kann im FB12 verwendet werden im Studiengang bzw. in den Studiengängen

  • B.Sc. Data Science
  • B.Sc. Informatik
  • M.Sc. Data Science
  • M.Sc. Informatik

Im Studiengang M.Sc. Data Science kann das Modul im Studienbereich Freie Wahlpflichtmodule absolviert werden.

Das Modul kann auch in anderen Studiengängen absolviert werden (Exportmodul).


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 2025/26 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.