Lehre/Vorlesung Knowledge Discovery: Unterschied zwischen den Versionen
Aus Aifbportal
Niar (Diskussion | Beiträge) |
Are (Diskussion | Beiträge) |
||
Zeile 4: | Zeile 4: | ||
|Titel EN=Knowledge Discovery | |Titel EN=Knowledge Discovery | ||
|Forschungsgruppe=Wissensmanagement | |Forschungsgruppe=Wissensmanagement | ||
− | |Dozent=Rudi Studer; | + | |Dozent=Rudi Studer; Achim Rettinger; Tran Thanh |
− | |Übungsleiter= | + | |Übungsleiter=Julia Hoxha |
|Semester=WS | |Semester=WS | ||
|LinkVVZ=https://zvwgate.zvw.uni-karlsruhe.de/qisserver/servlet/de.his.servlet.RequestDispatcherServlet?state=verpublish&status=init&vmfile=no&publishid=61442&moduleCall=webInfo&publishConfFile=webInfo&publishSubDir=veranstaltung | |LinkVVZ=https://zvwgate.zvw.uni-karlsruhe.de/qisserver/servlet/de.his.servlet.RequestDispatcherServlet?state=verpublish&status=init&vmfile=no&publishid=61442&moduleCall=webInfo&publishConfFile=webInfo&publishSubDir=veranstaltung | ||
− | |Inhalt=Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. | + | |LinkStudierendenportal=https://studium.kit.edu |
+ | |Inhalt=Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Data-Mining-Prozess 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. | ||
|Literatur=Grundlegende Literatur: | |Literatur=Grundlegende Literatur: | ||
* T. Mitchell. Machine Learning. 1997 | * T. Mitchell. Machine Learning. 1997 |
Version vom 28. Dezember 2012, 12:16 Uhr
Vorlesung Knowledge Discovery
Details zur Lehrveranstaltung
Dozent(en) | Rudi Studer, Achim Rettinger, Tran Thanh |
Übungsleiter | Julia Hoxha |
Fach (Gebiet) | |
Leistungspunkte | ECTS |
Erfolgskontrolle | |
Semester | WS |
Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal
Forschungsgruppe
Inhalt
Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Data-Mining-Prozess 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.
Literatur
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