Lehre/Vorlesung Knowledge Discovery: Unterschied zwischen den Versionen
Aus Aifbportal
Cj2486 (Diskussion | Beiträge) |
Cj2486 (Diskussion | Beiträge) |
||
Zeile 4: | Zeile 4: | ||
|Titel EN=Knowledge Discovery | |Titel EN=Knowledge Discovery | ||
|Forschungsgruppe=Web Science | |Forschungsgruppe=Web Science | ||
− | |Dozent= | + | |Dozent=York Sure-Vetter; Michael Färber |
− | |Übungsleiter= | + | |Übungsleiter=Tobias Weller |
− | |Fach=Maschinelles Lernen; Künstliche Intelligenz | + | |Fach=Data Science; Maschinelles Lernen; Künstliche Intelligenz |
|Erfolgskontrolle=Schriftliche Prüfung (idR.) | |Erfolgskontrolle=Schriftliche Prüfung (idR.) | ||
|Semester=WS | |Semester=WS | ||
|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=Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der | + | |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. |
|Literatur=Grundlegende Literatur: | |Literatur=Grundlegende Literatur: | ||
* T. Mitchell. Machine Learning. 1997 | * T. Mitchell. Machine Learning. 1997 |
Version vom 31. März 2019, 06:44 Uhr
Vorlesung Knowledge Discovery
Details zur Lehrveranstaltung
Dozent(en) | York Sure-Vetter, Michael Färber |
Übungsleiter | Tobias Weller |
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
Forschungsgruppe
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.
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