Knowledge Discovery in Databases (KDD)2.5 ECTS
(englische Bezeichnung: Knowledge Discovery in Databases)

Lehrveranstaltungen:

• • Knowledge Discovery in Databases
    (Vorlesung, 2 SWS, Klaus Meyer-Wegener, Do, 12:30 - 14:00, K2-119)

Inhalt:

• 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
  

Lernziele und Kompetenzen:

Die Studierenden

• kennen den typischen KDD-Prozess;

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

• 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 beschreiben;

• sind in der Lage, die Vorgehensweise bei Klassifikationsaufgaben;

• 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.

• 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.
  

Literatur:

Jiawei Han, Micheline Kamber, and Jian Pei: Data Mining – Concepts and Technologies, 3rd ed. Waltham, MA : Morgan Kaufmann, 2012 (The Morgan Kaufmann Series in Data Management Systems). - ISBN 978-0-12-381479-1

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:

1. Medizintechnik (Master of Science)
   (Po-Vers. 2013 | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M5 Medizintechnische Vertiefungsmodule (BDV))

Studien-/Prüfungsleistungen:

Knowledge Discovery in Databases (Prüfungsnummer: 392229)

(englischer Titel: Knowledge Discovery in Databases)

Prüfungsleistung, mündliche Prüfung, Dauer (in Minuten): 30, benotet, 2.5 ECTS

Anteil an der Berechnung der Modulnote: 0.0 %

Prüfungssprache: Englisch

Erstablegung: SS 2017, 1. Wdh.: WS 2017/2018

1. Prüfer:

Klaus Meyer-Wegener