Data Mining

Exams can be reviewed on the 11th of October in G29-124. Register for an appointment by sending an E-Mail to tommy.hielscher@ovgu.de

Update 16.06.16: in the next week (20.06.16 - 26.06.16) only the English exercise will take place. The lectures and other exercises are cancelled.

Termine

TagZeitRhythmusZeitraumRaumLehrpersonBemerkungMax. Teilnehmer/-innen
Vorlesung (V) - Termine: Gruppe 1
Di. 13:00 bis 15:00 wöchentlich G22A-211 (40 Pl.) Spiliopoulou ,
Hielscher

The appointment for the lecture on 5 th of July will begin 13:00 s.t.

Gruppe 1: in Englisch für DKE und DigiEng.

An additional appointment for the lecture will be held on 11 th of April in G29-144 from 1 - 3 p.m.

 

From 18 th to 22 nd of April, no lecture and exercise (german and english) will be held.

40
Vorlesung (V) - Termine: Gruppe 2
Do. 11:00 bis 13:00 wöchentlich G22A-218 (40 Pl.) Spiliopoulou ,
Hielscher

Der Termin für die Vorlesung am 07.07.2016 beginnt 11:00 Uhr s.t.

 

Gruppe 2: LV nur in Deutsch

 

From 18 th to 22 nd of April, no lecture and exercise (german and english) will be held.

 

Der Vorlesungstermin am 28.04.2016 fängt 11:30 Uhr an!

40
Übung (Ü) - Termine: Gruppe 1
Fr.15:00 bis 17:00wöchentlichG22A-218 (40 Pl.)Hielscher

in Deutsch

 

Der Übungstermin findet ab 20.05.2016  im G22A-218 um 15 Uhr s.t. statt.

15
Übung (Ü) - Termine: Gruppe 2
Mo.13:00 bis 15:00wöchentlichG29-144Hielscher

Gruppe 2 wird nur eröffnet falls Gruppe 1 voll ist.

in Deutsch

15
Übung (Ü) - Termine: Gruppe 3
Do.15:00 bis 17:00wöchentlichG05-307 (40 Pl.)Tutor

in Englisch für DKE und DigiEng

The appointment on the 14 th of April will be canceled.

 Instead, an additional appointment for the lecture will be held on 11 th of April in G29-144 from 1 - 3 p.m.

15
Übung (Ü) - Termine: Gruppe 4
Fr.09:00 bis 11:00wöchentlichG29-144Tutor

UPDATE 25.05.2016: From now on, the group 4 appointment is available as an alternative for english students that cannot attend to the group 3 appointment.

in Englisch für DKE und DigiEng.

Group 4 will only be available if Group 3 is occupied.

The Group 4 appointment on Friday 29th of April 9:00 - 11:00 a.m. will be held as an additional exercise appointment for all english students due to the cancellation of the lecture appointment on the 26th of April. This appointment is no substitute for the Group 3 appointment. New exercises are given.

15

Übersicht (from LSF)

Lerninhalte

Deutsch

Data Mining liefert den Werkzeugkasten, auf dem Empfehlungssysteme, Kampagnenmanagementsysteme oder Entscheidungsunterstützungssysteme ihre Lösungen bauen.

Die Systeme, die wir in einer Wirtschaftsinformatik-Vorlesung wie ITO besprechen, sammeln Daten und bearbeiten Daten. Sie liefern dem Entscheidungsträger Berichte und Statistiken, und vor allem Modelle, die aus den Daten abgeleitet wurden. 

  • Ein Entscheidungsträger bestimmt unter anderem, welche Produkte den Internet-Kunden angeboten werden sollen und zu welchen Konditionen.
  • Er bestimmt, unter welchen Bedingungen einem Kunden ein Produkt empfohlen wird bzw. ob der Kunde Werbung bekommt und in welcher Form.
  • "Er" kann ein Mensch sein oder ein intelligenter Dienst – ein Teil von einer Empfehlungsmaschine.

 

Solche Bestimmungen basieren auf Modelle, die die Kundeninteressen, Präferenzen, Preissensitivität usw beschreiben, ihr Verhalten in jedem Verkaufskanal und ihre Ähnlichkeit zu anderen Kunden. Diese Modellewerden genutzt, um das geeigneteste Produkt oder einen passenden Dienst einem Kunden anzubieten.

 

In der Bachelor-Vorlesung "Data Mining" besprechen wir Methoden zur Ableitung von Modellen aus Daten. Wir besprechen Methoden zur 

 

  • Klassifikation (Beispielanwendungen: Spam-Erkennung, Bonitätsprüfung)‏
  • Clustering (Beispielanwendungen: Ableitung von Kundenprofilen, Erkennung von Ausnahmesituationen)‏
  • Assoziationsregeln (Beispielanwendungen: Warenkorbanalyse für Cross/Up-Selling, Empfehlungssysteme)

English:

Data mining is a family of methods used e.g. in recommenders and in decision support systems for prediction, for customer profiling, for classification and outlier detection. For example:

  • A decision maker decides which products should be offered to Internet-customers.
  • The decision maker decides, when a product will be recommended to a customer, whether the customer obtains ads and how these ads look like.
  • The decision maker may be a human or an intelligent service (as embedded in a recommendation engine)

For such decisions, the decision maker uses models that captures the preferences, price sensitivity and attitudes of customers, the behaviour of customers and the similarity among customers. In this bachelor course, we discuss methods for deriving models from data. In particular, we discuss

  • Classification (example applications: spam recognition, distinguishing between malignant and benign tumors)
  • Clustering (example applications: customer profile learning, outlier detection)
  • Association rules (example applications: market basket analysis for cross selling and up selling, recommenders)
Kurzkommentar

 

 

Kommentar

Gruppe 1, Dienstag in Englisch für MDKE und MDigiEng, 6 ECTS mit Zusatzaufgabe

Gruppe 2, Donnerstag in Deutsch (Bachelor), 5 ECTS

 

Until the 15 th of April, lectures will be held during the exercise appointments (in addition to the regular lecture appointments).

From 18 th to 22 nd of April, no lecture and exercise (german and english) will be held.

Literatur

Pan-Ning Tan, M. Steinbach, Vipin Kumar.
 Introduction to Data Mining. 2004

Bemerkung

 

 

Voraussetzungen

Keine inhaltlichen Voraussetzungen.

Zielgruppe

WPF CV;B ab 4

WPF CV;i ab 3

WPF CSE;B ab 3

WPF DKE;M 1-3

WPF IF;i ab 3

WPF IF;B ab 4

WPF INGIF;i ab 4

WPF WIF;i ab 3

WPF WIF;B ab 4

WPF Statistik; M 1-3

WPF DigEng; M 1-3

Beschreibung Data Mining

Lecture

 

Exercise

 

German

 

English

 

Last Modification: 17.10.2017 - Contact Person: