Lehre/Vorlesung Knowledge Discovery: Unterschied zwischen den Versionen
He9318 (Diskussion | Beiträge) |
He9318 (Diskussion | Beiträge) |
||
Zeile 12: | Zeile 12: | ||
|LinkStudierendenportal=https://campus.studium.kit.edu | |LinkStudierendenportal=https://campus.studium.kit.edu | ||
|Inhalt=Die Vorlesung gibt einen Überblick über Data Science Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Wissensgewinnungsprozess umfasst Datenrepräsentationen, Data Warehouses, OLAP-Techniken, Visualisierungen und Evaluation. Als Lernverfahren werden z.B. Neuronale Netze, Matrixfaktorisierung, Instance/Memory Based Learning, Support Vector Machines, Decision Trees, Ensemble methods, und Graphische Modelle behandelt. | |Inhalt=Die Vorlesung gibt einen Überblick über Data Science Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Wissensgewinnungsprozess umfasst Datenrepräsentationen, Data Warehouses, OLAP-Techniken, Visualisierungen und Evaluation. Als Lernverfahren werden z.B. Neuronale Netze, Matrixfaktorisierung, Instance/Memory Based Learning, Support Vector Machines, Decision Trees, Ensemble methods, und Graphische Modelle behandelt. | ||
+ | |||
ILIAS-Kurs WS2021/22: https://ilias.studium.kit.edu/goto.php?target=crs_1614461&client_id=produktiv | ILIAS-Kurs WS2021/22: https://ilias.studium.kit.edu/goto.php?target=crs_1614461&client_id=produktiv |
Aktuelle Version vom 15. Oktober 2021, 08:15 Uhr
Vorlesung Knowledge Discovery
Dozent(en) | Michael Färber |
Übungsleiter | Tarek Saier |
Fach (Gebiet) | Data Science, Maschinelles Lernen, Künstliche Intelligenz |
Leistungspunkte | ECTS |
Erfolgskontrolle | Schriftliche Prüfung (idR.) |
Semester | WS |
Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal
Die Vorlesung gibt einen Überblick über Data Science Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Wissensgewinnungsprozess umfasst Datenrepräsentationen, Data Warehouses, OLAP-Techniken, Visualisierungen und Evaluation. Als Lernverfahren werden z.B. Neuronale Netze, Matrixfaktorisierung, Instance/Memory Based Learning, Support Vector Machines, Decision Trees, Ensemble methods, und Graphische Modelle behandelt.
ILIAS-Kurs WS2021/22: https://ilias.studium.kit.edu/goto.php?target=crs_1614461&client_id=produktiv
Grundlegende Literatur:
- T. Mitchell. Machine Learning. 1997
- M. Berhold, D. Hand (eds). Intelligent Data Analysis - An Introduction. 2003
- I.H. Witten, E. Frank. Data Mining: Practical Machine Learning Tools and Techniques. 2005