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

053621 VU Mining Massive Data (2023S)

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

  • Freitag 03.03. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Montag 06.03. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 10.03. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Freitag 17.03. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Montag 20.03. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 24.03. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Montag 27.03. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 31.03. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Montag 17.04. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 21.04. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Montag 24.04. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 28.04. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Freitag 05.05. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Montag 08.05. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 12.05. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Montag 15.05. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 19.05. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Montag 22.05. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 26.05. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Freitag 02.06. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Montag 05.06. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 09.06. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Montag 12.06. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 16.06. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
    PC-Unterrichtsraum 6, Währinger Straße 29 2.OG
  • Montag 19.06. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 23.06. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG
  • Montag 26.06. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Freitag 30.06. 09:45 - 11:15 Hörsaal 3, Währinger Straße 29 3.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Goals:
Upon successful participation in the course, students will understand principles of state-of-the-art techniques for learning from massive data and can apply and evaluate those techniques in practical applications.

Lecture Contents:
* Dealing with large data (e.g., Map-Reduce)
* Fast nearest neighbor methods (e.g., Locality Senistive Hashing)
* Scalable Supervised Learning, Online learning
* Active learning
* Clustering
* Interactive learning (bandits, recommender systems)

Methods:
Lecture
+ pen & paper exercises (~bi-weekly assignments) and their discussion
+ programming exercises

Art der Leistungskontrolle und erlaubte Hilfsmittel

Written exam (at the end of the semester; 2xA4 sheets of hand-written notes can be used)

3 Programming assignments (submission of solutions in the form of source code and a written report)

6 Pen & paper exercises (containing small programming tasks; ~bi-weekly; solved by students prior the exercise sessions in which the students are randomly selected to present their solutions; discussion; attendance is mandatory)

Mindestanforderungen und Beurteilungsmaßstab

It is recommended that students attending this course have solid basic knowledge in statistics, algorithms, machine learning, and programming.

30% Written exam
35% Programming exercises
35% Pen & paper exercises (with small programing tasks)

P = Average percentage on the written exam, the programming exercises, and the pen & paper exercises

90% <= P Sehr Gut (1)
77% <= P < 90% Gut (2)
62% <= P < 77% Befriedigend (3)
50% <= P < 62% Genügend (4)
0% <= P < 50% Nicht Genügend (5)

At least 50% on the written exam, 50% on the programming exercises, and 50% on the pen&paper exercises must be achieved for a passing grade.

Attendance of the lecture parts of the course is voluntary but highly recommended. Attendance of the pen & paper exercise and the written exam is compulsory to pass the course.

Prüfungsstoff

The presented topics in the lecture (according to slides + exercises). Referenced Literature (as indicated in detail on lecture slides).

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.
+ papers mentioned lecture slides

Zuordnung im Vorlesungsverzeichnis

Modul: MMD

Letzte Änderung: Mo 20.03.2023 06:48