Deutsch Intern
    Data Science Chair

    Data Science (ehemals Data Mining)

    Die Vorlesung gibt einen Überblick über die Wissensgewinnung aus (strukturierten) Daten. Dazu gehören unter anderem:

    • Vorverabeitungstechniken
    • OLAP-Analyse & Data-Warehousing
    • Clustering (k-means, k-medoids, DBSCAN, OPTICS)
    • Klassifikation (k-Nearest-Neighbor, Bayes, Entscheidungsbaum, Support Vector Machine; Bagging, Boosting, z. B. Random Forest, AdaBoost)
    • Regressionsanalyse (Linear Regression, Logistic Regression)
    • Assoziationsregellernen (Aprioiri, FP-Growth)
    • Einführung in Deep Learning

    Organisatorisches

    Bitte Beachten:

    Sie finden alle aktuellen Informationen der Veranstaltung auf WueCampus2.
    Bitte schreiben Sie sich über den obigen Link frühzeitig in WueCampus2 ein, um Zugriff auf den Kurs, aber auch E-Mails mit wichtigen Ankündigungen erhalten zu können. 

    Sie finden alle aktuellen Informationen der Veranstaltung auf WueCampus2.

     

    • Vorlesung
      Die Vorlesung wird Mo, 10:15 - 11:45 im Turing Hörsaal gehalten. 
      In der Erstveranstaltung am 24.04. werden wir alle wichtigen organisatorischen Informationen für den Ablauf des Semesters mitteilen.
    • Übungen
      Do, 08:15 - 09:45, Seminarraum I
      Do, 14:15 - 15:45, Übungsraum II
      Do 16:15 - 17:45, Seminarraum III
      Das genaue Übungsformat wird wie gehabt während der Erstveranstaltung bekanntgegeben.
    • Prüfung
      Es wird am Ende des Semesters eine Prüfung stattfinden. Form, Ablauf und genauer Zeitpunkt müssen allerdings noch erarbeitet werden, und werden baldmöglichst über WueCampus2 bekannt gegeben.
    • Aktuelle Details werden im Ankündigungsforum des WueCampus2 Kurses geteilt.
      Bleiben Sie gesund!

    Literatur

    • {Pattern recognition and machine learning}. Bishop, C.M. Vol. 4. Springer, 2006.
    • Einführung in Data Science. Grus, Joel. O’Reilly, 2019.
    • Data Science from Scratch: First Principles with Python. Grus, Joel. O’Reilly, Beijing, 2015.
    • Data Mining - The Textbook. Aggarwal, Charu C. bll 1–693. Springer, 2015.

    Weitere Literatur aus dem Bereich Data Science und Machine Learning

    • Practical Statistics for Data Scientists. Bruce, Peter; Bruce, Andrew; Gedeck, Peter. 2nd ed. O’Reilly Media, Inc., 2020.
    • Introduction to Machine Learning with Python. Müller, Andreas C.; Guido, Sarah. O’Reilly, 2016.
    • Deep Learning. Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron. 2016.
    • Data Mining for Business Analytics: Concepts, Techniques and Applications in Python. Shmueli, Galit; Bruce, Peter C.; Gedeck, Peter; Patel, Nitin R. 1st ed. Wiley & Sons, Inc., 2020.
    • An introduction to statistical learning. James, Gareth; Witten, Daniela; Hastie, Trevor; Tibshirani, Robert. Springer, 2013.