SEKMD - LSF Import

Termine

TagZeitRhythmusZeitraumRaumLehrpersonBemerkungMax. Teilnehmer/-innen
Seminar (S) - Termine:
Mo. 09:00 bis 11:00 wöchentlich G29-427 Hielscher ,
Spiliopoulou

First meeting with topics presentation on Monday 20.10.14, 10:00, G29-427, see also announcements of the KMD group

20

Übersicht (from LSF)

Lerninhalte

Dieses Seminar vertieft die Anwendung wissenschaftlicher Arbeitsmethoden im Kontext von Data Mining und maschinellem Lernen. 

Es werden zunächst grundlegende Themen auf dem Gebiet des Data Minings besprochen, sowie eine kurze Einführung in wissenschaftliche Arbeitstechniken gegeben. Anschließend werden anhand von aktuellen Veröffentlichungen einzelne Themen vertieft.

Ablauf:

In den ersten Einheiten wird eine (fakultative) Einführung in das wissenschaftliche Arbeiten und die Grundlagen von Data Mining gegeben.

Zum ersten Termin können Studierende ein vertiefendes Thema wählen, welches anhand von aktueller Literatur auszuarbeiten ist. Die Ausarbeitung umfasst das Verfassen einer Seminararbeit sowie die Präsentation des Themas zu einer späteren Einheit (Details werden in der ersten Einheit bekanntgegeben).

Vorläufige Themenliste:

  • Lernen in Datenströmen (Stream Mining)

  • Medical Data Mining
  • Recommender Systems
  • Lernen in einer sich verändernden Umwelt (Drift Mining)

  • Sentiment und Opinion Mining

  • Educational Data Mining

Es können eigene Themen vorgeschlagen werden, welche nach Maßgabe der inhaltlichen Eignung berücksichtigt werden.

Die Einschreibung erfolgt über die folgende Seite:

http://omen.cs.uni-magdeburg.de/einschreiben/index.php

Literatur

Lehrbücher

  • Ethem Alpaydin. Introduction to Machine Learning. MIT Press, Second Edition, 2010.

  • David Hand, Heikki Mannila, Padhraic Smyth. Principles of Data Mining. MIT Press, 2001.

  • Charu C. Aggarwal: Data Streams - Models and Algorithms. Springer 2007.

Konferenz- und Zeitschriftenbeiträge

Werden in Kürze bekanntgegeben

Voraussetzungen

Kenntnisse in Data Mining, maschinellem Lernen oder statistischer Datenanalyse sind von Vorteil.
Es wird allerdings eine (fakultative) geblockte Kurzeinführung in Data Mining geben.

Leistungsnachweis

Präsentation (mündlich) und eine schriftliche Ausarbeitung.

Letzte Änderung: 17.10.2017 - Ansprechpartner: