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. 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 (pdfpptx)
  5. Unterschiedshypothesen: t-Test (Intervallskala, Normalverteilung), Chi-Quadrat-Test (Nominal- und Ordinalskala) (pdfpptx)
  6. Induktives Lernen: Versionsraum, Informationstheorie, Entscheidungsbäume, Lernen von (propositionalen) Regeln (pdfpptx)
  7. Ensemble-Methoden, Bagging, Boosting, Random Forests (pdfpptx)
  8. Unüberwachtes Lernen, Clustering (pdfpptx)
  9. Analyse der Variation (Analysis of Variation, ANOVA), Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, R^2-Statistik, Tukeys Methode (pdfpptx)
  10. Analyse Sozialer Strukturen (pdfpptx)
  11. 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)