Name des Moduls | [50340] Maschinelles Lernen und Datamining | Bezeichnung des Moduls | FMI-IN0034 |
Studiengang | [079] - Informatik | ECTS Punkte | 6 |
Arbeitsaufwand für Selbststudium | 120 | Häufigkeit des Angebotes (Modulturnus) | jedes 2. Semester (ab Wintersemester) |
Arbeitsaufwand in Präsenzstunden | 60 | Dauer des Moduls | 1 |
Arbeitsaufwand Summe (Workload) | 180 | ||
Modul-Verantwortliche/r | Paul Bodesheim |
Voraussetzung für die Vergabe von Leistungspunkten (Prüfungsform) | Klausur (120min) oder mündliche Prüfung (30min) zur Vorlesung (100%) |
Empfohlene Literatur | Bishop, Christopher: Pattern Recognition and Machine Learning. Springer, 2006. Mitchell, Tom Michael: Machine Learning. McGraw-Hill, 1997. Edwards, David: Introduction to Graphical Modelling. New York, Springer, 1995. |
Unterrichtssprache | Deutsch |
Voraussetzung für die Zulassung zum Modul | keine |
Empfohlene bzw. erwartete Vorkenntnisse | FMI-IN0036 (Mustererkennung) |
Art des Moduls (Pflicht-, Wahlpflicht- oder Wahlmodul) | - 079 LA Regelschule Informatik: Wahlpflichtmodul (Intelligente Systeme) |
Zusammensetzung des Moduls / Lehrformen (V, Ü, S, Praktikum, …) | 4 SWS Vorlesung/Übung |
Inhalte | Strukturaufdeckung, Klassifizierung oder Entwicklungsvorhersage aus großen Datenfluten (Finanzprozesse, Handel und Transport, med./biol. Datensätze, Klimamesswerte, elektronische Dokumente, Fertigungsautomatisierung) Vorlesungsthemen sind u.a.: Skalentypen; Visualisierung hochdimensionaler Daten (PCA, MDS, ICA); überwachte Lernverfahren (Versionenraum, Entscheidungsbaum, lineare/logistische Modelle); unüberwachte Lernverfahren (hierarchisch, (fuzzy) K-means, spektral); Graphische Modelle (Bayesnetze, Markovnetze, Induktion und Inferenz) |
Lern- und Qualifikationsziele |
|
Voraussetzung für die Zulassung zur Modulprüfung | keine |