Data Mining - Einführung in Data Mining

Aktuelles:

ACHTUNG: Aus rechtlichen Gründen werden die Ergebnisse der Testate annulliert, d.h. es gibt keine Voraussetzungen für die Zulassung zur Prüfung "Data Mining - Einführung in Data Mining". Alle Studierenden, auch solche, die in den Testaten weniger als 10 Punkte erzielt haben, können sich bis zum 04. Juli 2019 über das Prüfungsamt zur Prüfung "Data Mining - Einführung in Data Mining" anmelden.

 

- Die Testate am 30.04.2019, 21.05.2019 und 25.06.2019 finden in G16-H5 statt

 

Termine

TagZeitRhythmusZeitraumRaumLehrpersonBemerkungMax. Teilnehmer/-innen
Vorlesung (V) - Termine:
Mo. 15:00 bis 17:00 Einzeltermin am 20.05.2019 G22A-013 (70 Pl.)     70
Mo. 15:00 bis 17:00 wöchentlich G29-336 (30 Pl.) Spiliopoulou   70
Übung (Ü) - Termine: Gruppe 1
Di.09:00 bis 11:00wöchentlichG29-K059 (24 Pl.) Schleicher

Beginn: 09.04.2019

Übung (Ü) - Termine: Gruppe 2
Di.09:00 bis 11:00wöchentlichG12-201 (40 Pl.)Hielscher

Beginn: 09.04.2019

Übung (Ü) - Termine:
Di.09:00 bis 11:00Einzelterminam 30.04.2019G16-H5 (478 Pl.)  200
Di.09:00 bis 11:00Einzelterminam 21.05.2019G16-H5 (478 Pl.)  200
Di.09:00 bis 11:00Einzelterminam 25.06.2019G16-H5 (478 Pl.)  200

Übersicht (from LSF)

Lerninhalte

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 

 

  • Klassifikation (Beispielanwendungen: Spam-Erkennung, Bonitätsprüfung)‏
  • Clustering (Beispielanwendungen: Ableitung von Kundenprofilen, Erkennung von Ausnahmesituationen)‏
  • Assoziationsregeln (Beispielanwendungen: Warenkorbanalyse für Cross/Up-Selling, Empfehlungssysteme)

 

Kurzkommentar

 

 

Literatur

Pan-Ning Tan, M. Steinbach, Vipin Kumar.
 Introduction to Data Mining. 2004

Auswahl von wiss. Artikeln, Angaben zum Semesterbeginn

Bemerkung

 

 

Voraussetzungen

Keine inhaltlichen Voraussetzungen.

Zielgruppe

WPF CV;B ab 4

WPF CV;i ab 4

WPF CSE;B ab 4

WPF DKE;M 1-3

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

WPF Statistik; M 1-3

Beschreibung Data Mining - Einführung in Data Mining

 

 

Lecture

Einführung und Administratives

Block "Clustering"

Block "Klassifikation"

Block "Imbalanced Classes"      - Update

Block "Data"

Block " Frequent Itemsets and Association Rules"

Block "Spezielle Themen zu Klassifikation"

Ankündigung: Neues zu den Testaten und zur Prüfung

 

 

Exercise

Übungsblatt 1

Übungsblatt 2

Hinweise zum Testat

Ergebnisse 1.Testat (Update 07.05.2019 - ggf. Änderungen am Ergebnis)

DBSCAN: Streit um Grenzpunkt?     

Übungsblatt 3

Übungsblatt 4  

Übungsblatt 5  

Ergebnisse 2.Testat    

Übungsblatt 6 

Übungsblatt 7

Übungsblatt 8

Ergebnisse 3.Testat 

Ergebnisse Übersicht/Gesamtpunktzahl (Bitte prüfen und ggf. Kontakt aufnehmen)

 Letzte Übung: Gelegenheit für Fragen zu den Themen der Übung

Last Modification: 01.07.2019 - Contact Person: