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

052813 VU Scientific Data Management (2022S)

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

  • Dienstag 01.03. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 02.03. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 08.03. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 09.03. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 15.03. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 16.03. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 22.03. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 23.03. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 29.03. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 30.03. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 05.04. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 06.04. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 26.04. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 27.04. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 03.05. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 04.05. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 10.05. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 11.05. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 17.05. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 18.05. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 24.05. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 25.05. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 31.05. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 01.06. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Mittwoch 08.06. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 14.06. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 15.06. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 21.06. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 22.06. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
  • Dienstag 28.06. 15:00 - 16:30 Hörsaal 2, Währinger Straße 29 2.OG
  • Mittwoch 29.06. 18:30 - 20:00 Hörsaal 3, Währinger Straße 29 3.OG
    Seminarraum 7, Währinger Straße 29 1.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Veranstaltung vermittelt zentrale Methoden für die Organisation und Analyse von großen wissenschaftlichen Datenbeständen: Verteilte Datenrepositories, Index- und Zugriffstrukturen, Hashing, Klassifikations- und Clusteringtechniken. Es werden spezielle Verfahren für strukturierte Daten wie Mengen, Bilder, Dokumente und Graphen behandelt. In Programmierübungen lernen die Studierenden effiziente Verfahren für die Ähnlichkeitssuche und das Data-Mining auf großen Datenmengen kennen z.B. Parallelisierung (MapReduce, SPARK) und Filter-Verifikations-Techniken.

Fachliche Ziele
- Wissenschaftliche Daten analysieren
- Ergebnisse der Analyse interpretieren und bewerten
- Techniken für strukturierte Daten auswählen und anwenden
- Skalierbare Lösungen für große Datenmengen auswählen und implementieren
- Anwender unterstützen und beraten

Überfachliche Ziele
- Teamarbeit
- Verbesserung der Programmierkenntnisse
- Verständnis für Zusammenspiel von Datenanalyse und Scientific Computing

Art der Leistungskontrolle und erlaubte Hilfsmittel

Aktive Mitarbeit
Bearbeitung von Übungsblättern
Bearbeitung von Programmieraufgaben in Gruppen
Abschlusstest

Mindestanforderungen und Beurteilungsmaßstab

Es wird empfohlen, dass die folgenden Kurse vor dieser LV abgeschlossen werden:
- Algorithmen und Datenstrukturen
- Datenbanksysteme
- Software Engineering
- Netzwerktechnologien

30% Übungsblätter
30% Programmierübungen im Team
40% schriftlicher Abschlusstest

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

Prüfungsstoff

Scientific Data and Feature Spaces
Clustering
Big Data Frameworks
Searching Numerical Data
Searching Sets
Searching & Mining Graphs
Analyzing Large Networks

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.

Zuordnung im Vorlesungsverzeichnis

Module: SDM

Letzte Änderung: Mi 12.10.2022 10:50