Mobile Software Development

Statistik & Data-Mining

Integrierte Lehrveranstaltung, 5.00 ECTS

 

Lehrinhalte

Einführung in die wichtigsten statistischen Verfahren. In der Übung wird die Statistikumgebung R verwendet. In dieser Lehrveranstaltung werden theoretische und technische Grundlagen des Wissensauffindungprozesses und Data Mining behandelt. Dies umfasst unter anderem die folgenden Themen:
- Mathematische Grundlagen für Data Mining darunter Wahrscheinlichkeitstheorie, Statistik und Lineare Algebra
- Programmiermethoden zur Verarbeitung von großen Datenmengen
- Wissensauffindungprozess
- Data Mining Algortihmen

Lernergebnisse der LV

Die Absolventin/der Absolvent besitzt detaillierte Kenntnisse über die wichtigsten statistischen Verfahren. Er/Sie kennt
Mathematische Grundlagen für Data Mining (Wahrscheinlichkeitstheorie, Statistik und Lineare Algebra), Programmiermethoden zur Verarbeitung von großen Datenmengen (Anwendung der Statistikumgebung R), Wissensauffindungprozess sowie Data Mining Algortihmen.

Empfohlene oder verpflichtende Fachliteratur und andere Lernressourcen bzw. –instrumente

Bücher:
Tan, P.-N., Steinbach, M., Kumar, V.: Introduction to Data Mining. Pearson Education.
Witten, I., Frank, E., Hall, M. A.: Data Mining. Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
Leskovec, J., Rajaraman, A., Ullman, J. D.: Mining of Massive Datasets. Cambridge University Press.
Zaki, M. J., Meira, W.: Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press.
Fachzeitschriften: -

Art der Vermittlung

3 ECTS Vorlesung, 2 ECTS Übung

Voraussetzungen und Begleitbedingungen

Grundlagen von Semester 1 und 2

Prüfungsmethode und Beurteilungskriterien

VO: LV-abschließende Prüfung; UE: LV-immanenter Prüfungscharakter