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)
- Netze aus differenzierbaren Modulen ("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, Konfidenzintervalle, Pearson-Korrelationskoeffizient (pdf, pptx)
- Stochastische Grundlagen, Bayessche Netze zur Spezifikation von diskreten Verteilungen, Anfragen, Anfragebeantwortungsalgorithmen, Lernverfahren für Bayessche Netze bei vollständigen Daten (pdf, pptx)
- Induktives Lernen: Versionsraum, Informationstheorie, Entscheidungsbäume, Lernen von Regeln (pdf, pptx)
- Ensemble-Methoden, Bagging, Boosting, Random Forests (pdf, pptx)
- Clusterbildung, K-Means, Analyse der Variation (Analysis of Variation, ANOVA), t-Test, Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, Bonferroni-Korrektur, MANOVA (pdf, pptx)
- Analyse Sozialer Strukturen (pdf, pptx)
- Deep Learning, Embedding Spaces (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 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