Einführung in Web und Data Science


Dozent:
Prof. Dr. rer.nat. Ralf Möller

Inhalt:

  1. Einführung, Klassifikation vs. Regression, parametrisches und nicht-parametrisches überwachtes Lernen (pdfpptx)
  2. Netze aus differenzierbaren Modulen ("neuronale" Netze) und Support-Vektor-Maschinen (pdfpptx)
  3. Häufungsanalysen, Warenkorbanalyse, Empfehlungen (pdfpptx)
  4. Statistische Grundlagen: Stichproben, Schätzer, Verteilung, Dichte, kumulative Verteilung, Skalen: Nominal-, Ordinal-, Intervall- und Verhältnisskala, Hypothesentests, Konfidenzintervalle, Pearson-Korrelationskoeffizient (pdfpptx)
  5. Stochastische Grundlagen, Bayessche Netze zur Spezifikation von diskreten Verteilungen, Anfragen, Anfragebeantwortungsalgorithmen, Lernverfahren für Bayessche Netze bei vollständigen Daten (pdfpptx)
  6. Induktives Lernen: Versionsraum, Informationstheorie, Entscheidungsbäume, Lernen von Regeln (pdfpptx)
  7. Ensemble-Methoden, Bagging, Boosting, Random Forests (pdfpptx)
  8. Clusterbildung, K-Means, Analyse der Variation (Analysis of Variation, ANOVA), t-Test, Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, Bonferroni-Korrektur, MANOVA (pdfpptx)
  9. Analyse Sozialer Strukturen (pdfpptx)
  10. Deep Learning, Embedding Spaces (pdfpptx)
  11. Zusammenfassung (pdfpptx)

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 IFIS-Seminarraum 2035, Geb. 64, 2.OG

Übung: Mittwochs, 13:15 - 14:00 Uhr im IFIS-Seminarraum 2035, Geb. 64, 2. OG

Beginn:

Vorlesung: Donnerstag, den 17.10.2019

Übung: Mittwoch, den 23.10.2019