Einführung in Web und Data Science (CS1800-KP04)

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

Übungsbetreuung:
Magnus Bender

Inhalt:

Organisatorisches (pdf, pptx)
Begriffsbestimmungen, Web Science, Data Science, Künstliche Intelligenz, Nicht-parametrisches und parametrisches überwachtes Lernen (pdf, pptx)
Klassifikation und Regression (pdf, pptx)
Häufungsanalysen, Warenkorbanalyse, Empfehlungen, Einbettungsräume (pdf, pptx)
Statistische Grundlagen: Stichproben, Schätzer, Verteilung, Dichte, kumulative Verteilung, Skalen: Nominal-, Ordinal-, Intervall- und Verhältnisskala, Hypothesentests, Konfidenzintervalle (pdf, pptx)
Stochastische Grundlagen, Wahrscheinlichkeiten, 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, DBSCAN, Analyse der Variation (Analysis of Variation, ANOVA), t-Test, Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, Bonferroni-Korrektur, MANOVA (pdf, pptx)
Zeitreihenanalyse, Prädiktion, Autoregression, Integration, Moving Average (ARIMA) (pdf, pptx)
Differenzierbare Programmierung, Deep Learning (pdf, pptx)
Analyse Sozialer Strukturen (pdf, pptx)
Link Prediction (pdf, pptx)
Blockchain-orientiertes Datenmanagement (pdf, pptx)
Resümee

Zielgruppe:

Bachelor Informatik ab 2016 (Wahlpflicht), Einführungsveranstaltung Informatik, 1. Fachsemester
Bachelor Informatik ab 2016 (Plicht), Kanonische Vertiefung Web and Data Science, 1. Fachsemester
Studierende weiterer Studiengänge können gerne teilnehmen

Umfang (4 KPs):

Zeit und Ort:

Vorlesung: Donnerstags, 12 - 14 Uhr, IFIS 2035
Übung: Mittwochs, 13 - 14 Uhr, IFIS 2035

(siehe auch Moodle-Seite für diesen Kurs)

Beginn: