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

052311 VU Data Mining (2024W)

6.00 ECTS (4.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik
Prüfungsimmanente Lehrveranstaltung
Moodle
Di 21.01. 15:00-16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02

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

  • Dienstag 01.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 03.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 08.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 10.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 15.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 17.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 22.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 24.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 29.10. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 31.10. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 05.11. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 07.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 12.11. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 14.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 19.11. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 21.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 26.11. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 28.11. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 03.12. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 05.12. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 10.12. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 12.12. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 17.12. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Dienstag 07.01. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 09.01. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 14.01. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 16.01. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Donnerstag 23.01. 13:15 - 14:45 Seminarraum 6, Währinger Straße 29 1.OG
  • Dienstag 28.01. 15:00 - 16:30 PC-Seminarraum 3, Kolingasse 14-16, OG02
  • Donnerstag 30.01. 13:15 - 14:45 Seminarraum 3, Währinger Straße 29 1.UG
    Seminarraum 6, Währinger Straße 29 1.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

The lectures in this course will be given on-site.
There will be exercise sessions and attending them is mandatory.
The final exams will be on-site.

Important: Attendance in the first lecture on Tuesday 1.10. at 3 pm is mandatory.

The lecture covers essential topics in data mining and machine learning and focuses on recent research on the following topics:
1. Density-based clustering
2. High-dimensional clustering, alternative and deep clustering.
3. Causality
4. Deep learning on sets and graphs
5. Diffusion processes on graphs and graph mining

Subject-specific goals:
- Understanding the characteristics of complex data
- Methods and techniques for data mining and machine learning
- Analysis and interpretation of graph-structured scientific data

Generic goals:
- Improvement of programming skills
- Understanding of interplay in data mining, machine learning and other disciplines

Art der Leistungskontrolle und erlaubte Hilfsmittel

Active participation
Exercise sheets (individual work)
Final exam (individual work)

Mindestanforderungen und Beurteilungsmaßstab

A mandatory prerequisite for this class is the successful completion of FDA (052300 VU Foundations of Data Analysis) or an equivalent lecture. Experience in programming in Python is expected.

Components:
10% Each exercise sheet (5 in total)
50% Final exam

Grading:
>87,00 %: 1
between 75,00 % and 86,99 %: 2
between 63,00 % and 74,99 %: 3
between 50,00 % and 62,99 %: 4
< 50%: 5

Prüfungsstoff

- Density-based clustering
- High-dimensional clustering
- Alternative clustering
- Deep clustering
- Causality
- Neural networks
- Deep learning on sets
- Deep learning on graphs
- Diffusion processes on graphs
- Information access
- Polarization

Literatur

David Easley and Jon Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World
Albert-László Barabási, Network Science

Zuordnung im Vorlesungsverzeichnis

Module: DM

Letzte Änderung: Fr 17.01.2025 07:25