Einführung in Web und Data Science
Dozent:
Prof. Dr. rer.nat. Ralf Möller
Inhalt:
- Einführung, Klassifikation vs. Regression, parametrisches und nicht-parametrisches überwachtes Lernen (pdf, pptx)
- Neuronale Netze und Support-Vektor-Maschinen (pdf, pptx)
- Häufungsanalysen, Warenkorbanalyse, Empfehlungen (pdf, pptx)
- Statistische Grundlagen: Stichproben, Schätzer, Verteilung, Dichte, kumulative Verteilung, Skalen: Nominal-, Ordinal-, Intervall- und Verhältnisskala, Hypothesentests (pdf, pptx)
- Unterschiedshypothesen: t-Test (Intervallskala, Normalverteilung), Chi-Quadrat-Test (Nominal- und Ordinalskala) (pdf, pptx)
- Induktives Lernen: Versionsraum, Informationstheorie, Entscheidungsbäume, Lernen von (propositionalen) Regeln (pdf, pptx)
- Ensemble-Methoden, Bagging, Boosting, Random Forests (pdf, pptx)
- Unüberwachtes Lernen, Clustering (pdf, pptx)
- Analyse der Variation (Analysis of Variation, ANOVA), Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, R^2-Statistik, Tukeys Methode (pdf, pptx)
- Analyse Sozialer Strukturen (pdf, pptx)
- Zusammenfassung (pdf, pptx)
Zielgruppe:
Bachelor Informatik ab 2016 (Wahlpflicht), Einführungsveranstaltung Informatik, 1. Fachsemester Bachelor Informatik ab 2016, Kanonische Vertiefung Web and Data Science, 1. Fachsemester (Plicht)
Umfang:
2 SWS Vorlesung
1 SWS Übung
Zeit und Ort:
Vorlesung: Donnerstags, 12:00 - 14:00 Uhr im AM 4
Übung: Mittwochs, 13:15 - 14:00 Uhr im IFIS-Seminarraum Geb. 64, Rm 2035
Beginn:
Vorlesung: Donnerstag, den 19.10.2017
Übung: Mittwoch, 25.10.2017 (Vorbereitung)