Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.
050038 VU Scientific Data Management (2016S)
Prüfungsimmanente Lehrveranstaltung
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 01.02.2016 09:00 bis Mo 22.02.2016 23:59
- Abmeldung bis So 20.03.2016 23:59
Details
max. 50 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Freitag 04.03. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 18.03. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 08.04. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 15.04. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 22.04. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 29.04. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 06.05. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 13.05. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
-
Freitag
20.05.
09:45 - 13:00
Hörsaal 2, Währinger Straße 29 2.OG
Seminarraum 3, Währinger Straße 29 1.UG
Seminarraum 4, Währinger Straße 29 1.UG - Freitag 27.05. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 03.06. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 10.06. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 17.06. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
- Freitag 24.06. 09:45 - 13:00 Hörsaal 2, Währinger Straße 29 2.OG
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Die Veranstaltung vermittelt zentrale Methoden für Organisation und Analyse von großen wissenschaftlichen Datenbeständen: verteilte Datenrepositories, Index- und Zugriffstrukturen, Hashing- und Clusteringtechniken. In Programmierübungen lernen die Studierenden Möglichkeiten der Unterstützung von Ähnlichkeitssuche und Data Mining auf großen Daten kennen z.B. Parallelisierung (MapReduce, SPARK) und Filter-refinement-Techniken.
Art der Leistungskontrolle und erlaubte Hilfsmittel
Aktive Mitarbeit
Bearbeitung von Übungsaufgaben
Bearbeitung von Programmieraufgaben in Gruppen
Abschlusstest
Bearbeitung von Übungsaufgaben
Bearbeitung von Programmieraufgaben in Gruppen
Abschlusstest
Mindestanforderungen und Beurteilungsmaßstab
Fachliche Ziele:
- wissenschaftliche Daten analysieren und interpretieren,
- Ergebnisse der Analyse bewerten,
- Skalierbare Lösungen für große Datenmengen auswählen und implementieren,
- Anwender unterstützen und beraten.Überfachliche Ziele:
- Teamarbeit,
- Verbesserung der Programmierkenntnisse,
- Verständnis für Zusammenspiel von Data Mining und Scientific Computing.
- wissenschaftliche Daten analysieren und interpretieren,
- Ergebnisse der Analyse bewerten,
- Skalierbare Lösungen für große Datenmengen auswählen und implementieren,
- Anwender unterstützen und beraten.Überfachliche Ziele:
- Teamarbeit,
- Verbesserung der Programmierkenntnisse,
- Verständnis für Zusammenspiel von Data Mining und Scientific Computing.
Prüfungsstoff
Übungsaufgaben
Programmierübungen im Team
Abschlusstest
Programmierübungen im Team
Abschlusstest
Literatur
Ester M., Sander J. Knowledge Discovery in Databases: Techniken und Anwendungen.
J. Leskovec, A. Rajaraman, J. Ullman. Mining of Massive Datasets.
J. Han, M. Kamber, J.Pei.Data Mining: Concepts and Techniques.
I. H. Witten , E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques.
J. Leskovec, A. Rajaraman, J. Ullman. Mining of Massive Datasets.
J. Han, M. Kamber, J.Pei.Data Mining: Concepts and Techniques.
I. H. Witten , E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques.
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Mo 07.09.2020 15:29