Lehre/Seminar Knowledge Discovery and Data Mining: Unterschied zwischen den Versionen
Cj2486 (Diskussion | Beiträge) |
Cj2486 (Diskussion | Beiträge) |
||
Zeile 10: | Zeile 10: | ||
|LinkVVZ=http://ilias.studium.kit.edu | |LinkVVZ=http://ilias.studium.kit.edu | ||
|LinkStudierendenportal=https://campus.studium.kit.edu | |LinkStudierendenportal=https://campus.studium.kit.edu | ||
− | |Inhalt=Ziel des Praktikums ist die komplette Durchführung eines Data Science | + | |Inhalt=Ziel des Praktikums ist die komplette Durchführung eines Data Science Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung und Auswertung von Daten. Bewertet wird die praktische Umsetzung des Themas (Softwareentwicklung) sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Science Gebiets beinhalten soll. Beim ersten Termin wird ein Auswahl von Datensätzen und zugehörigen Aufgabe / Algorithmen vorgestellt. Außerdem werden Gruppen gebildet und Themen zu Gruppen zugeordnet. Denkbare Themen sind z.B. Empfehlungsdienste für Nachrichtenartikel; Twitter-Feed Analysen; Aufbereitung von Daten für ChatBots; Analyse von Wikipedia Artikeln in verschiedenen Sprachen; Zuordnung von Nachrichtenartikeln zu Wikipedia-Kategorien; etc. |
Die Gruppen können bei Interesse Aufgaben und Themen mitgestalten. | Die Gruppen können bei Interesse Aufgaben und Themen mitgestalten. |
Version vom 4. April 2019, 15:05 Uhr
Praktikum Knowledge Discovery and Data Science
Dozent(en) | York Sure-Vetter |
Übungsleiter | Michael Färber, Anna Nguyen |
Fach (Gebiet) | Künstliche Intelligenz, Maschinelles Lernen, Data Science |
Leistungspunkte | ECTS |
Erfolgskontrolle | |
Semester | SS |
Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal
Ziel des Praktikums ist die komplette Durchführung eines Data Science Projekts. Dies beinhaltet die Datenaufbereitung, Modellierung und Auswertung von Daten. Bewertet wird die praktische Umsetzung des Themas (Softwareentwicklung) sowie ein Abschlussvortrag und ein Bericht, der auch theoretische Grundlagen zum entsprechenden Data Science Gebiets beinhalten soll. Beim ersten Termin wird ein Auswahl von Datensätzen und zugehörigen Aufgabe / Algorithmen vorgestellt. Außerdem werden Gruppen gebildet und Themen zu Gruppen zugeordnet. Denkbare Themen sind z.B. Empfehlungsdienste für Nachrichtenartikel; Twitter-Feed Analysen; Aufbereitung von Daten für ChatBots; Analyse von Wikipedia Artikeln in verschiedenen Sprachen; Zuordnung von Nachrichtenartikeln zu Wikipedia-Kategorien; etc.
Die Gruppen können bei Interesse Aufgaben und Themen mitgestalten.
Detaillierte Referenzen werden zusammen mit den jeweiligen Themen angegeben. Allgemeine Hintergrundinformationen ergeben sich z.B. aus den folgenden Lehrbüchern:
- Mitchell, T.; Machine Learning, McGraw Hill, 1997.
- Cook, D.J. and Holder, L.B. (Editors) Mining Graph Data, ISBN: 0-471-73190-0, Wiley,
- Manning, C. and Schütze, H.; Foundations of Statistical NLP, MIT Press, 1999.