KMD - Data Mining - Einführung in Data Mining / Data Engineering

Data Mining - Einführung in Data Mining / Data Engineering

News:

-------------------------------------

Liebe Studierende,

wir haben in unseren Übungslisten Personen, die seit dem Beginn des Semesters inaktiv sind und noch 0% der Votierungen haben. Leider ist es für diese Personen rechnerisch nicht mehr möglich, eine Prüfungszulassung zu erhalten. Da das Verhalten vermuten lässt, dass der Kurs nicht mehr aktiv besucht wird, löschen wir die Teilnahme am Moddlekurs.

Wenn Sie gelöscht wurden, aber weiterhin am Kurs teilnehmen möchten, schreiben Sie bitte eine E-Mail an den zuständigen Übungsleiter und begründen Sie, warum Sie wieder in den Kurs aufgenommen werden möchten. Wir werden dann in der Arbeitsgruppe über den Antrag entscheiden.

Wenn Sie erwägen oder sich entschieden haben, die Prüfung nicht abzulegen, melden Sie sich bitte bei Ihrem Übungsleiter, damit wir Sie abmelden können. Dies hilft uns, den Kurs besser zu planen und somit auch Ihren Kommilitoninnen und Kommilitonen.

Wir danken ihnen für ihr Verständnis und Mitwirkung.

Eure Übungsleiter

Maik und Miro

-------------------------------------

Timetable

Day	Time	Frequency	Period	Room	Lecturer	Remarks	Max. participants
Vorlesung(V) - Lecture - Dates/Times/Location:
Tue.	09:00 bis 11:00	weekly	10.10.2023 to 23.01.2024	G03-315 (125 Pl.)	Spiliopoulou	Vorlesung beginnt immer um 9:30 Uhr. Lecture starts at 9:30.	80
Übung (Ü) - Exercise - Dates/Times/Location: Group 1
Thu.	11:00 bis 13:00	weekly	12.10.2023 to 25.01.2024	G05-313 (24 Pl.)	Blockhaus , Büttner , Thiel	Die Übungen beginnen in der zweiten Vorlesungswoche

Overview (from LSF)

Learning Content	Data Mining liefert den Werkzeugkasten, auf dem Empfehlungssysteme, Kampagnenmanagementsysteme oder Entscheidungsunterstützungssysteme ihre Lösungen bauen. Die Systeme, die wir in einer Wirtschaftsinformatik-Vorlesung wie ITO besprechen, sammeln Daten und bearbeiten Daten. Sie liefern dem Entscheidungsträger Berichte und Statistiken, und vor allem Modelle, die aus den Daten abgeleitet wurden. Ein Entscheidungsträger bestimmt unter anderem, welche Produkte den Internet-Kunden angeboten werden sollen und zu welchen Konditionen. Er bestimmt, unter welchen Bedingungen einem Kunden ein Produkt empfohlen wird bzw. ob der Kunde Werbung bekommt und in welcher Form. "Er" kann ein Mensch sein oder ein intelligenter Dienst – ein Teil von einer Empfehlungsmaschine. Solche Bestimmungen basieren auf Modelle, die die Kundeninteressen, Präferenzen, Preissensitivität usw beschreiben, ihr Verhalten in jedem Verkaufskanal und ihre Ähnlichkeit zu anderen Kunden. Diese Modellewerden genutzt, um das geeigneteste Produkt oder einen passenden Dienst einem Kunden anzubieten. In der Bachelor-Vorlesung "Data Mining" besprechen wir Methoden zur Ableitung von Modellen aus Daten. Wir besprechen Methoden zur Datenvorbereitung für maschinelles Lernen Klassifikation (Beispielanwendungen: Spam-Erkennung, Bonitätsprüfung)‏ Clustering (Beispielanwendungen: Ableitung von Kundenprofilen, Erkennung von Ausnahmesituationen)‏ Assoziationsregeln (Beispielanwendungen: Warenkorbanalyse für Cross/Up-Selling, Empfehlungssysteme)
Literature	Pan-Ning Tan, Michael Steinbach, Vipin Kumar.  Introduction to Data Mining. 2013 Salvador Garcia, Julián Luengo, Francisco Herrera. Data Preprocessing in Data Mining. 2015 Auswahl von wiss. Artikeln, Angaben zum Semesterbeginn
Certificates	Voraussetzung für die Teilnahme an die Abschlussprüfung ist die erfolgreiche Durchführung von Vorleistungen im Rahmen einesVotierungsverfahrens.Angaben zu den Vorleistungen, darunter Anzahl und Termine der Testate, Untergrenze zum Bestehen eines Testats und Anzahl der zu bestehenden Testate im Rahmen des Votierungsverfahrens werden zum Semesterbeginn angekündigt.
Target Group	WPF CV;B ab 4 WPF CV;i ab 4 WPF CSE;B ab 4 WPF IF;i ab 4 WPF IF;B ab 4 WPF INGIF;i ab 4 WPF WIF;i ab 4 WPF WIF;B ab 4
Description	Data Mining - Einführung in Data Mining