Unüberwachtes Data Mining in Automatisierungs- und Informationstechnik (Blockseminar)
Dozent: Dr. Daniyal Kazempour (Gastdozent von der Christian-Albrechts-Universität zu Kiel)
WS SWS: 2 ECTS: 3
Prüfung: schriftlich (60min)
Lernziele
Nach der Teilnahme am Modul sind Studierende in der Lage
1) grundlegende Charakteristika und Begrifflichkeiten im Kontext des unüberwachten Data Mining zu erläutern
2) Eigenschaften wie z.B. Stärken und Grenzen unüberwachter Data Mining Verfahren für Forschung und Praxis anhand typischer Anwendungsfälle zu benennen und zu diskutieren.
3) Grundlagen der Konzeptionierung, Implementierung und Evaluation unüberwachter Data Mining Verfahren zu verstehen.
1) grundlegende Charakteristika und Begrifflichkeiten im Kontext des unüberwachten Data Mining zu erläutern
2) Eigenschaften wie z.B. Stärken und Grenzen unüberwachter Data Mining Verfahren für Forschung und Praxis anhand typischer Anwendungsfälle zu benennen und zu diskutieren.
3) Grundlagen der Konzeptionierung, Implementierung und Evaluation unüberwachter Data Mining Verfahren zu verstehen.
Beschreibung
Ziel der Vorlesung „Unsupervised Data Mining in Automation and Information Technology“ ist die Vermittlung eines Überblicks über etablierte Methoden sowie aktuelle Forschungsthemen und praktische Anwendungsfälle von unüberwachten Data Mining Verfahren im Engineering und Design. Die Vorlesung selbst adressiert dabei folgende Aspekte:
- Einführung unterschiedlicher Archetypen von unüberwachten Data Mining Verfahren (z.B. hierarchische oder dichte-basierte Clusteringverfahren)
- Unüberwachte Data Mining Verfahren im Kontext hochdimensionaler Feature Räume (z.B. Subspace Clustering Verfahren)
- Die Behandlung von unüberwachten Data Mining Verfahren im High-Velocity Kontext (z.B. Clustering auf Streams)
- Diskussion der zugrunde liegenden Annahmen, der Stärken und Limitationen der Verfahren sowie die Gemeinsamkeiten und Unterschiede zwischen unterschiedlichen Methoden
- Die Analyse unterschiedlicher Parametereinstellungen der Verfahren, so wie die Herausforderung der Evaluation von Ergebnissen im unüberwachten Setting
- Einführung unterschiedlicher Archetypen von unüberwachten Data Mining Verfahren (z.B. hierarchische oder dichte-basierte Clusteringverfahren)
- Unüberwachte Data Mining Verfahren im Kontext hochdimensionaler Feature Räume (z.B. Subspace Clustering Verfahren)
- Die Behandlung von unüberwachten Data Mining Verfahren im High-Velocity Kontext (z.B. Clustering auf Streams)
- Diskussion der zugrunde liegenden Annahmen, der Stärken und Limitationen der Verfahren sowie die Gemeinsamkeiten und Unterschiede zwischen unterschiedlichen Methoden
- Die Analyse unterschiedlicher Parametereinstellungen der Verfahren, so wie die Herausforderung der Evaluation von Ergebnissen im unüberwachten Setting
Links
Vorlesung
Termine | Siehe TUMonline |
---|
Kontakt
Kontakt über zugehörigen Moodle-Kurs (Foren)
E-Mail Kontakt über it-orga.ais(at)ed.tum.de