Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

052311 VU Data Mining (2020W)

6.00 ECTS (4.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 25 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Donnerstag 01.10. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 06.10. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 08.10. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 13.10. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 15.10. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 20.10. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 22.10. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 27.10. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 29.10. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 03.11. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 05.11. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 10.11. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 12.11. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 17.11. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 19.11. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 24.11. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 26.11. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 01.12. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 03.12. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Donnerstag 10.12. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 15.12. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 17.12. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Donnerstag 07.01. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 12.01. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 14.01. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 19.01. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 21.01. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 26.01. 15:00 - 16:30 Seminarraum 4, Währinger Straße 29 1.UG
  • Donnerstag 28.01. 08:00 - 09:30 Seminarraum 6, Währinger Straße 29 1.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Vorlesung wird in einem hybriden Modus abgehalten, d.h. die Vorlesungen werden soweit möglich vor Ort abgehalten und aufgezeichnet. Die Aufzeichnungen werden dann via Moodle verfügbar gemacht.
Die Vorlesung deckt wesentliche Inhalte des Data Mining und Knowledge Discovery in Databases (KDD) ab und behandelt aktuelle Forschungsthemen aus Clustering, Graph Mining, Submodularity und Causal Inference.
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 anderen Disziplinen.

Wichtig: Die erste Einheit am Donnerstag, 01.10. um 08:00 Uhr wird nur online abgehalten.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Aktive Mitarbeit
Bearbeitung von Übungsblättern
Bearbeitung von Programmieraufgaben in Gruppen
Gegenseitige Beurteilung
Abschlusstest

Mindestanforderungen und Beurteilungsmaßstab

Teilnahmevoraussetzung: FDA oder Nachweis von entsprechenden Vorkenntnissen
FDA: 052300 VU Foundations of Data Analysis

40% Übungsblätter
30% Programmierübungen im Team, sowie gegenseitige Beurteilung
30% Abschlusstest

Notenskala:
>87,00 % 1
zwischen 75,00 % und 86,99 %: 2
zwischen 63,00 % und 74,99 %: 3
zwischen 50,00 % und 62,99 %: 4
< 50% : 5

Prüfungsstoff

- Dimensionality reduction
- Clustern von Hochdimensionalen Daten (Subspace Clustering, Deep Clustering)
- Kernel Methods
- Data Mining und Lernverfahren für Graphen (Graph Kernels, Graph Neural Networks)
- Feature selection
- Submodular Functions
- Causal Inference (Granger Causality, Data Compression)

Literatur

Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques
Tan P.-N., Steinbach M., Kumar V. Introduction to Data Mining
Ester M., Sander J. Knowledge Discovery in Databases: Techniken und Anwendungen
Goodfellow, Ian, et al. Deep learning.
Shai Shalev-Shwartz, Shai Ben-David: Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press 2014.
Nils M. Kriege, Fredrik D. Johansson, Christopher Morris: A Survey on Graph Kernels, Applied Network Science, Machine learning with graphs, 5:6, 2020.

Zuordnung im Vorlesungsverzeichnis

Module: DM

Letzte Änderung: Mo 28.09.2020 15:28