Intelligente DatenanalyseModulbeschreibung #40509 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
| Modul / Version | #40509 / #1 |
|---|---|
| Gültigkeit | WS 2014/15 – SS 2016 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Obermayer, Klaus |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34351300 FG Neuronale Informationsverarbeitung |
Kontakt
| Sekretariat | Keine Angabe |
|---|---|
| Ansprechpartner*in | Obermayer, Klaus |
| E-Mail-Adresse | sekr@ni.cs.tu-berlin.de |
| Webseite | https://www.eecs.tu-berlin.de/grk_15891/menue/contact/ |
Lernergebnisse
- Kenntnis wichtiger Verfahren zur Analyse und Aufarbeitung sogenannter schwach strukturierter Daten
- Beurteilung ihrer Vor- und Nachteile, Skalierung mit der Datenmenge
- Anwendung dieser Techniken auf metrische und nicht-metrische hochdimensionale Datensätze (z.B. aus dem Wirtschafts- und Unternehmensbereich), Zeitserien, Audio-, Bild oder Videodaten.
- Kenntnis relevanter Anwendungsgebiete ("data mining", "information retrieval", Zeitreihenvorhersage, Mustererkennung, Bildanalyse, Multimedia).
Die Studierenden sind in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen und sie auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen.
Fachkompetenz:30x Methodenkompetenz:40x Systemkompetenz:20x Sozialkompetenz:10x
- Beurteilung ihrer Vor- und Nachteile, Skalierung mit der Datenmenge
- Anwendung dieser Techniken auf metrische und nicht-metrische hochdimensionale Datensätze (z.B. aus dem Wirtschafts- und Unternehmensbereich), Zeitserien, Audio-, Bild oder Videodaten.
- Kenntnis relevanter Anwendungsgebiete ("data mining", "information retrieval", Zeitreihenvorhersage, Mustererkennung, Bildanalyse, Multimedia).
Die Studierenden sind in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen und sie auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen.
Fachkompetenz:30x Methodenkompetenz:40x Systemkompetenz:20x Sozialkompetenz:10x
Lehrinhalte
Methoden:
Der Schwerpunkt liegt auf Verfahren des maschinellen Lernens und der statistischen Datenanalyse, insbesondere für die Analyse großer Datenmengen. Themen umfassen: Merkmalsselektion und -konstruktion, Quellentrennung, Visualisierung großer Datenmengen, effiziente Gruppierung und Kategorisierung von Daten, Klassifikation und Prädiktion, Modellierung von Daten, Segmentierung und Interpretation (Zeitserien, Bilder, Multimedia), retrieval Methoden, hierarchische Beschreibungen.
Anwendung:
Methoden werden an Hand paradigmatischer Anwendungen eingeführt. Anwendungsgebiete umfassen: "data mining", "information retrieval" (z.B. Text, Bilder), Zeitreihenvorhersage, Bildanalyse, Mustererkennung, Audio- und Video-Daten.
Der Schwerpunkt liegt auf Verfahren des maschinellen Lernens und der statistischen Datenanalyse, insbesondere für die Analyse großer Datenmengen. Themen umfassen: Merkmalsselektion und -konstruktion, Quellentrennung, Visualisierung großer Datenmengen, effiziente Gruppierung und Kategorisierung von Daten, Klassifikation und Prädiktion, Modellierung von Daten, Segmentierung und Interpretation (Zeitserien, Bilder, Multimedia), retrieval Methoden, hierarchische Beschreibungen.
Anwendung:
Methoden werden an Hand paradigmatischer Anwendungen eingeführt. Anwendungsgebiete umfassen: "data mining", "information retrieval" (z.B. Text, Bilder), Zeitreihenvorhersage, Bildanalyse, Mustererkennung, Audio- und Video-Daten.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Intelligente Datenanalyse (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Intelligente Datenanalyse (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 6 h | 90 h |
| 120 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes, alle Anwendungen werden exemplarisch zusammen mit einem relevanten Anwendungsgebiet erläutert. Übungen: Übungsaufgaben zur Vertiefung des Stoffes der Vorlesung (in der Regel kleine rechnergestützte, praktische Beispiele, z.T. mit vorgegebener Software). die Übungsaufgaben werden in den Tutorien besprochen. Projektaufgabe (z.B., Zeitserienvorhersage, Mustererkennung, Prognose, Bildanalyse, Multimedia) gegen Ende der Veranstaltung, Bearbeitung in Kleingruppen unter Anleitung eines Tutors. Soft- und Hardwareumgebungen werden bereitgestellt.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Erfolgreiche Teilnahme an den Pflichtveranstaltungen der Zyklen MPGI, TheGI und Mathematik oder äquivalente Kenntnisse
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Deutsch |
Prüfungsbeschreibung (Abschluss des Moduls)
Schriftliche Klausur
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Informationen zur Anmeldung sind über die Web-Seiten der Fachgebiete CV, NI und NÜ bzw. über die entsprechenden Sekretariate erhältlich.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Das Modul wird jedes WiSe angeboten.