Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     
Logout in [min] [minutetext]

Data Mining - Detailansicht

  • Funktionen:
  • Zur Zeit kein Belegungszeitraum aktiv.
Grunddaten
Veranstaltungsart Vorlesung/Übung Langtext
Veranstaltungsnummer 1892 Kurztext
Semester SoSe 2021 SWS 2
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus Jedes Semester Studienjahr
Hyperlink  
Sprache Deutsch
Laut SPO für
Abschluss Studiengang Semester Kategorie ECTS
Master mit vorausg. Absch Informatik 2 - 2 5
Zuordnung zu Einrichtungen
Bachelorstudiengang Angewandte Informatik
Inhalt
Inhalt * Einführung und Geschichte der KI
* Intelligente Agenten
* Wissensverarbeitung mit Logik
* Suchen, Spielen, Problemlösen
* Maschinelles Lernen und Data Mining
- Entscheidungsbäume
- Neuronale Netze
- Nearest-Neighbor-Methoden
- Reinforcement Learning
* Unsicherheit, Wahrscheinlichkeit, Entscheidungstheorie, Bayes-Netze
* Anwendungen (u.a. Expertensysteme, Autonome Roboter)
Übungen zu Theorie und Praxis aller Teilgebiete vertiefen das Verständnis der behandelten Themen.
* Data Warehouses
* Online Analytical Processing
* Datenaufbereitung für Data Mining
* Korrelationsanalyse
* Warenkorbanalyse mit dem Apriori-Algorithmus
Literatur http://erde.fbe.fh-weingarten.de/ertel/vorlesungen/ki/ki.html
W. Ertel: Künstliche Intelligenz, Vieweg (erscheint 2006)
C. Beierle and G. Kern-Isberner: Methoden wissensbasierter Systeme, Vieweg 2000
Lernziele Die Studierenden verstehen das Zusammenspiel der unterschiedlichen Disziplinen wie z.B. Logik, Statistik, Neuronale Netze und Kognitionswissenschaften, die zu intelligentem Verhalten beitragen. Sie kennen die Theorie und die Anwendbarkeit der wichtigsten Verfahren und Prinzipien der unten angegebenen Teilgebiete der KI.

Die Studierenden verstehen die Induktion von Entscheidungsbäumen sowie die Anwendung Bayesschen Schließens bei unsicherem Wissen. Die Studierenden kennen die Bezüge zu Data Mining und zu maschinellem Lernen. Sie kennen außerdem die Architekturen und Problemstellungen autonomer intelligenter Systeme am Beispiel mobiler Roboter.

Die Studierenden können Rohdaten so aufbereiten, dass sie für Data Mining geeignet sind. Sie können ein Data Warehouse entwickeln und die Daten mit OLAP (Online Analytical Processing) darstellen und analysieren.
Voraussetzungen Programmieren, Grundlagen der Informatik, Mathematik-Grundlagen
Leistungsnachweis Unbenotete Prüfungsleistung: --- .
Benotete Prüfungsleistung: Klausur, 60 Minuten.

Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2021 , Aktuelles Semester: SoSe 2021