Data Warehousing und Knowledge Discovery in Databases (DWKDD)5 ECTS
(englische Bezeichnung: Data Warehousing and Knowledge Discovery in Databases)
(Prüfungsordnungsmodul: Vertiefungsmodule Mathematik (Nebenfach Informatik))

Lectures:

• Ausschlussbedingung: Dieses Modul darf nur abgelegt werden, wenn keine der im Modul enthaltenen Lehrveranstaltungen auch noch in einem anderen Modul enthalten ist, das bereits abgelegt wurde.

  • Knowledge Discovery in Databases
    (Vorlesung, 2 SWS, Klaus Meyer-Wegener, Mon, 16:00 - 17:30, 0.154-115)
  • Data Warehousing
    (Vorlesung, 2 SWS, Thomas Ruf et al., Tue, 16:45 - 18:15, LG 0.143 (42 Plätze), (außer Tue 10.6.2014))

Empfohlene Voraussetzungen:

siehe Lehrveranstaltungen

Inhalt:

siehe Lehrveranstaltungen

Lernziele und Kompetenzen:

siehe Lehrveranstaltungen

Fachkompetenz

Wissen

KDD: 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;

• können die Definitionen von Support und Confidence für Assoziationsregeln wiedergeben;

• können die Ermittlung von Assoziationsregeln auf der Basis von Mengen häufiger Ele-mente beschreiben;

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

• können darlegen, wie ein Entscheidungsbaum auf einem Trainingsdatensatz erzeugt wird;

• können das Prinzip der Bayes'schen Klassifikation darstellen;

• können verschiedene Clustering-Verfahren aufzählen;

• können den Ablauf von k-Means-Clustering beschreiben;

• kennen die verschiedenen Arten von Ausreißern.
  

Verstehen

KDD: Die Teilnehmer können

• Distanz- oder Ähnlichkeits-Funktionen auf einem speziellen Datenbestand defi-nieren;

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

Lern- bzw. Methodenkompetenz

KDD:
Die Studierenden

• müssen ein hohes Maß an Eigeninitiative zur Aneignung des Stoffes mitbringen und werden darin bestärkt;

• müssen die englische Sprache so weit beherrschen, dass sie der Vorlesung folgen können;

• verwenden gezielt ein Lehrbuch zur Vorlesung;

• bekommen zahlreiche Hinweise auf zugrundeliegende Literatur, die sie bei Bedarf heraussuchen und durcharbeiten müssen.
  

Selbstkompetenz

KDD:
Die Teilnehmer

• müssen ggf. fehlendes Vorwissen selbständig nacharbeiten (falls sie diese Lehrveranstaltung trotzdem wählen);

• müssen sich selbst die Zeit für die Vor- und Nachbereitung des Stoffs einteilen.
  

Sozialkompetenz

KDD:
Die Teilnehmer

• eignen sich den Stoff in einer Gruppe mit extrem verschiedenen Hintergründen an;

• brauchen das Gespräch mit anderen Teilnehmern zur Aneignung des Stoffs;

• müssen sich in der Diskussion auch selbst der englischen Sprache bedienen.
  

Literatur:

siehe Lehrveranstaltungen

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

1. Mathematik (Bachelor of Science): 5-. Semester
   (Po-Vers. 2009 | Nebenfach Informatik | Module im 2. und 3. Studienjahr | Vertiefungsmodule Mathematik (Nebenfach Informatik))

Studien-/Prüfungsleistungen:

Data Warehousing und Knowledge Discovery in Databases (Prüfungsnummer: 228988)

(englischer Titel: Data Warehousing and Knowledge Discovery in Databases)

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

Anteil an der Berechnung der Modulnote: 100.0 %

Erstablegung: SS 2014, 1. Wdh.: WS 2014/2015

1. Prüfer:

Klaus Meyer-Wegener