# Data Mining – Einführung in Data Mining **Winter** #### Einführung zu Data Mining für Bachelorstudiengänge (engl. Data Mining for Bachelor Students - An Introduction (German course) )
##### **Modulnummer: FIN-INF-110302**
**Kürzel** DM4BA **CP** 5 **Semester** Winter **Fachsem.** 3. **Dauer** 1 Semester **Sprache** deutsch **Niveau** Bachelor
**Link zum LSF:**[ LSF](https://lsf.ovgu.de/qislsf/rds?state=wsearchv&search=1&subdir=veranstaltung&veranstaltung.semester=20262&veranstaltung.dtxt=Data+Mining+%E2%80%93+Einf%C3%BChrung+in+Data+Mining&P_start=0&P_anzahl=30&P.sort=veranstaltung.dtxt&_form=display "Data Mining – Einführung in Data Mining")
**Zugang beschränkt:**false
**Verantwortung:**Myra Spiliopoulou
**Dozent:in:**Myra Spiliopoulou
**Lehrveranstaltungen:**- Vorlesung *DM4BA* - Übung *DM4BA*
**Verwendbarkeit:**- B.Sc. INF: Informatik - Wahlpflicht - B.Sc. INF: Studienprofil: Künstliche Intelligenz - B.Sc. CV: Informatik - Wahlpflicht - B.Sc. INGINF: Informatik - Wahlpflicht - B.Sc. WIF: Verstehen und Gestalten - Wahlpflicht - B.Sc. WIF: Gestalten und Anwenden - Wahlpflicht - B.Sc. INF (bilingual): Informatik - Wahlpflicht
**Angestrebte Lernergebnisse:** Die Studierenden: - verstehen, wozu Data Mining gut ist - verstehen, wie eine Klassifikationsaufgabe aussieht und wie eine Clustering-Aufgabe aussieht, und können zwischen den zwei Typen von Aufgaben unterscheiden - verstehen, wie einfache Klassifikationsmethoden funktionieren und können diese für Probleme anwenden - verstehen, wie einfache Clustering-Methoden funktionieren und können diese für Probleme anwenden - verstehen die Herausforderungen der Evaluation von Modellen - können Evaluationsvorgänge gestalten und durchführen - verstehen, warum Data Engineering vor dem Aufruf von Lernverfahren nötig ist - können einfache Instrumente der Datenaufbereitung anwenden und ihre Ergebnisse evaluieren und haben damit notwendige Grundlagen erworben, um einen einfachen Vorgang zum Ableiten eines Modells und zu dessen Evaluation zu gestalten. **Inhalt:** - Klassifikation: Lernverfahren und Evaluationsvorgänge - Clustering: Lernverfahren und Evaluationsvorgänge - mehr zu Methoden für die Evaluation von Modellen - Data Engineering: Datenaufbereitungsaufgaben, -methoden und -evaluationsvorgänge **Arbeitsaufwand:** - 28 Stunden Vorlesung (Präsenz) - 28 Stunden Übung (Präsenz) - 94 Stunden Eigensändiges Arbeit zur Vor- und Nachbereitung der Vorlesung und der Übung, sowie zur Prüfungsvorbereitung
**Prüfungsvorleistungen:****Studien-/Prüfungsleistungen:****Lehrform / SWS:**
Votierung - min Anzahl von Punkten durch Aufgaben in den Übungen Schriftliche Prüfung - Klausur (120 min) - Vorlesung (2 SWS) - Übung (2 SWS)
**Voraussetzungen nach Prüfungsordnung:****Empfohlene Voraussetzungen:**
keine Datenbanken
**Medienformen:****Literatur:**
- Zu Data Mining Methoden und zu Evaluationsansätzen: - Pan-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar (2019). *Introduction to Data Mining*, 2nd edition. Pearson – Ausschnitte aus Kpt 3, 5, 7 - Ian Witten & Eibe Frank (2005). *Data Mining – Practical machine learning tools and techniques*. 2nd edition. Elsevier – Ausschnitte aus Kpt 4 zu [Naive Bayes](https://elearning.ovgu.de/mod/resource/view.php?id=522556 "Naive Bayes") Zu Data Engineering: - Salvador Garcia, Julian Luengo, Francisco Herrera (2015). *Data Preprocessing for Data Mining*. Springer – Ausschnitte aus Kpt 3, 4, 7, evtl auch aus Kpt 2 - und eventuell für Zeitreihen: - Parmezan, A. R. S., Souza, V. M. A., and Batista, G. E. A. P. A. (2019). *Evaluation of statistical and machine learning models for time series prediction: Identifying the state-of-the-art and the best conditions for the use of each model*. Information Sciences, DOI: 10.1016/j.ins.2019.01.076 - Cismondi, F. C., Fialho, A., Vieira, S., Reti, S., Sousa, J., and Finkelstein, S. (2013). *Missing data in medical databases: Impute, delete or classify?* Artificial Intelligence in Medicine, DOI: 10.1016/j.artmed.2013.01.003 Weitere Literatur wird in den einzelnen Sessions aufgelistet.
**Hinweise:**