Knowledge Discovery in Databases mit Übung (KDDmUe)5 ECTS
(englische Bezeichnung: Knowledge Discovery in Databases with exercise)
(Prüfungsordnungsmodul: Knowledge Discovery in Databases mit Übung)

Lehrveranstaltungen:

• • Knowledge Discovery in Databases
    (Vorlesung, 2 SWS, Dominik Probst et al., Mo, 10:15 - 11:45, Zoom-Meeting)
  • Übungen zu KDD
    (Übung, 2 SWS)

Inhalt:

Theoretical knowledge on:

• Why data mining?

• What is data mining?

• A multi-dimensional view of data mining

• What kinds of data can be mined?

• What kinds of patterns can be mined?

• What technologies are used?

• What kinds of applications are targeted?

• Major issues in data mining

• A brief history of data mining

Practical exercises on:

• Introduction to Pandas & scikit-learn

• Data analysis & data preprocessing

• Frequent Pattern

• Classification

• Clustering

• Outlier
  

Lernziele und Kompetenzen:

Die Studierenden

• kennen den typischen KDD-Prozess;

• kennen Verfahren zur Vorbereitung von Daten für das Data Mining;

• definieren Distanz- oder Ähnlichkeits-Funktionen auf einem speziellen Datenbestand;

• überprüfen Attribute eines Datensatzes auf ihre Bedeutung für die Analyse hin und transformieren ggf. Attributwerte geeignet;

• wissen, wie ein typisches Data Warehouse aufgebaut ist;

• kennen die Definition von Distanz- bzw. Ähnlichkeitsfunktionen für die verschiedenen Typen von Attributen;

• sind vertraut mit dem Prinzip des Apriori-Algorithmus zur Bestimmung von Mengen häufiger Elemente (frequent itemsets);

• kennen den FP-Growth-Algorithmus zum schnellen Auffinden von Mengen häufiger Elemente;

• geben die Definitionen von Support und Confidence für Assoziationsregeln wieder;

• beschreiben die Ermittlung von Assoziationsregeln auf der Basis von Mengen häufiger Elemente;

• sind in der Lage, die Vorgehensweise bei Klassifikationsaufgaben darzustellen;

• legen dar, wie ein Entscheidungsbaum auf einem Trainingsdatensatz erzeugt wird;

• stellen das Prinzip der Bayes'schen Klassifikation dar;

• zählen verschiedene Clustering-Verfahren auf;

• beschreiben den Ablauf von k-Means-Clustering;

• kennen die verschiedenen Arten von Ausreißern.

• können die verschiedenen Schritte eines KDD Prozesses auch praktisch anwenden.
  

The students:

• know the typical KDD process;

• know procedures for the preparation of data for data mining;

• know the definition of distance or similarity functions for the different kinds of attributes;

• define distance and similarity functions for a particular dataset;

• check attributes of a dataset for their meaning with reference to an analysis and transform attribute values accordingly, if required.

• know how a typical data warehouse is structured;

• are familar with the principle of the Apriori algorithm for the identification of frequent itemsets;

• know the FP-growth algorithm for a faster identification of frequent itemsets:

• present the definitions of support and confidence for association rules;

• describe the construction of association rules based on frequent itemsets;

• are capable of describing the course of action in classification tasks;

• present the construction of a decision tree based on a training dataset;

• present the principle of Bayes' classification;

• enumerate different clustering procedures;

• describe the steps of k-means clustering;

• know the different kinds of outliers.

• are able to practically apply the various steps of a KDD process.
  

Literatur:

The lecture is based on the following book:

• J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2011, ISBN: 0123814790

Also interesting and related textbooks are:

• A. Géron, Hands-on machine learning with Scikit-Learn and TensorFlow : concepts, tools, and techniques to build intelligent systems, 2nd ed. O’Reilly Media, 2017, ISBN: 978-1491962299

• H. Du, Data Mining Techniques and Applications: An Introduction. Cengage Learning EMEA, May 2010, p. 336, ISBN: 978-1844808915

• I. H. Witten, E. Frank, M. A. Hall, et al., Data Mining, Fourth Edition: Practical Machine Learning Tools and Techniques, 4th. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2016, ISBN: 0128042915

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

1. International Information Systems (IIS) (Master of Science)
   (Po-Vers. 2021w | ReWiFak | International Information Systems (IIS) (Master of Science) | Gesamtkonto | Informatics | Data and knowledge - Informatics | Knowledge Discovery in Databases mit Übung)

Studien-/Prüfungsleistungen:

Knowledge Discovery in Databases mit Übung (Prüfungsnummer: 39611)

Prüfungsleistung, Klausur, Dauer (in Minuten): 90, benotet, 5 ECTS

Anteil an der Berechnung der Modulnote: 100.0 %

Prüfungssprache: Englisch

Erstablegung: SS 2022, 1. Wdh.: WS 2022/2023

1. Prüfer:

Richard Lenz