Dozent: Prof. Dr. Ralf Möller

Übungen: Malte Luttermann

Inhalt:

1. Einführung (pdf, pptx)
2. Semistrukturierte Datenbanken (XML) und Volltextsuche (pdf, pptx)
3. Information Retrieval (pdf, pptx)
• Elemente der Linearen Algebra für  Multivariate Statistische Verfahren
4. Mehrdimensionale Indexstrukturen (pdf, pptx)
5. Cluster-Bildung (pdf, pptx)
• Elemente der Linearen Algebra für  Multivariate Statistische Verfahren
• Anwendung der Spektralen Clusterbildung
6. Einbettungstechniken (pdf, pptx)
7. First-n-, Top-k-, und Skyline-Anfragen (pdf, pptx)
8. Probabilistische Datenbanken, Anfragebeantwortung, Anfragetransformation, Safe-Plan-Anfrage, Top-k-Anfragen (Monte-Carlo-Simulation, Luby-Karp-Verfahren, Multisimulation), Open-World-Annahme (pdf, pptx)
9. Probabilistische Modellierung, Bayes-Netze, Anfragebeantwortungsalgorithmen, Lernverfahren für Modelle (pdf, pptx)
10. Dynamische Bayes-Netze (pdf, pptx)
11. Temporale Datenbanken und das relationale Modell (pdf, pptx)
12. Probabilistische Temporale Datenbanken (pdf, pptx)
13. SQL: neue Entwicklungen (z.B. JSON-Strukturen und Arrays), Zeitreihen (z.B. TimescaleDB) (pdf, pptx)
• Literatur: SQL:2016, SQL/MDA, TimescaleDB
14. Stromdatenbanken, Prinzipien der Fenster-orientierten inkrementellen Verarbeitung (pdf, pptx)
15. Approximationstechniken für Stromdatenverarbeitung, Stream-Mining (pdf, pptx)
16. Probabilistische raum-zeitliche Datenbanken und Stromdatenverarbeitungsssysteme: Anfragen und Indexstrukturen, Raum-zeitliches Data Mining, probabilistische Skylines (pdf, pptx)
17. Von NoSQL- zu NewSQL-Datenbanken, Graphdaten in SQL, CAP, CALM, CRON, Blockchain-Datenmanagement (pdf, pptx)
18. Graphdatenbanken, Anfragesprachen, Anfragebeantwortung, Graph Mining (pdf, pptx)
19. Approximative Anfragebeantwortung in Graphdatenbanken (pdf, pptx)
20. Gelernte Indexstrukturen (pdf, pptx)

Umfang: Vorlesung (2 x 2 SWS) und Übung (2 SWS), gesamt: 8 KP

Das Passwort für die Videos lautet: gFaREUm8

Die Zahl hinter dem mp4-Link gibt an, bis zu welcher Präsentation die Aufzeichnung geht (Lehrinhalt Thema x, Präsentationsnummer y: x.y). 

Zeit und Ort

• Vorlesung: Die Vorlesung findet als Inverted-Classroom-Veranstaltung statt. Außer in der ersten Woche, in der die Vorlesung am Montag (14.15-15.45 Uhr im IFIS 2035 Seminarraum) stattfindet, findet eine Präsenzveranstaltung ab der zweiten Woche am Donnerstag statt (10.15-11.45 Uhr im IFIS 2035 Seminarraum). Für das Studium werden Powerpoint- und Videomaterialien bereitgestellt (siehe oben).
• Übung: Zeit: Fr 08:30-10:00 Uhr in Präsenz, Seminarraum Mathematik 2 (Banach).

Beginn:

Vorlesung: Montag, den 18.10.2021
Übung: Freitag, den 22.10.2021

Voraussetzungen:

• Algorithmen und Datenstrukturen
• Analysis
• Lineare Algebra und Diskrete Strukturen
• Datenbanken
• Programmierung
• Stochastik oder Biostatistik
• kontextfreie Grammatiken

Vorteilhaft:

• Einführung in die Logik

Qualifikationsziele / Kompetenzen:

Wissen

Studierende können die Hauptmerkmale von Standard-Datenbanken benennen und erläutern, welche Non-Standard-Datenmodelle entstehen, wenn die Merkmale fallengelassen werden. Sie können beschreiben, welche Kernideen hinter den in der Veranstaltung behandelten Non-Standard-Datenmodellen stehen, indem sie erklären, wie die entsprechenden Anfragesprachen zu verstehen sind (Syntax und Semantik) und welche Implementierungstechniken hauptsächlich zu ihrer praktischen Umsetzung eingesetzt werden. Weiterhin können Studierende elementare Data-Mining-Techniken auch im Zusammenhang mit Nicht-Standard Datenbanken erläutern.

Fertigkeiten

Studierende können Anfragesprachen für Non-Standard-Datenmodelle, die im Kurs eingeführt wurden, anwenden, um bestimmte Strukturen aus Beispieldatenbeständen heraussuchen zu können, so dass sich Informationsbedürfnisse befriedigen lassen. Die Studierenden sind in der Lage, Datenmodelle in das relationale Datenmodell unter Verwendung von eingeführten Kodierungstechniken zu übersetzen, so dass sie demonstrieren können, wie neue Formalismen mit dem relationalen Modell in Beziehung stehen und in SQL implementiert werden können (insbesondere SQL-2011). Für den Fall, dass eine Übersetzung in SQL nicht möglich ist, können die Studierenden angepasste Algorithmen erläutern und anwenden. Studierende können weiterhin demonstrieren, wie Indexstrukturen eine schnelle Anfragebeantwortung ermöglichen, indem sie zeigen, wie Indexstrukturen aufgebaut, verwaltet und bei der Anfragebeantwortung ausgenutzt werden. Die Kursteilnehmer können Anfrageantworten Schritt für Schritt herleiten, indem sie optimierte Ausführungspläne bestimmen. Darüber hinaus können sie elementare Techniken für das Data-Mining umsetzen.

Sozialkompetenz und Selbständigkeit

Studierende arbeiten in Gruppen, um Aufgaben zu bearbeiten und zu lösen, und sie werden angeleitet, selbst erarbeitete Lösungen in einem Kurzvortrag zur Diskussion zu stellen (in der Übung). Weiterhin wird die Selbständigkeit der Studierenden durch Aufzeigen von konkret verfügbaren Datenbanksystemen gefördert, so dass die Studierenden selbstbestimmt Arbeiten in einem praktischen Kontext durchführen können.

Moodle:

Weitere Informationen sowie Materialien zur Vorlesung und Übung sind unter Moodle zu finden.

Für den Zugriff müssen Sie sich selbst in den Kurs einschreiben. Dies wird spätestens zum Kursbeginn am 18.10.2021 möglich sein.

Literatur:

• A.U. Tansel, J. Clifford, S. Gadia, S. Jojodia, A. Segev, R. Snodgrass, Temporal Databases: Theory, Design, and Implementation, Benjamin Cummings Publishing Company, 1993
• J. Chomicki, G. Saake (Eds.), Logics for Databases and Information Systems, Springer, 1998
• S. Abiteboul, P. Buneman, D. Suciu, Data on the Web - From Relations to Semistructured Data and XML, Morgan Kaufmann, 1999
• P. Rigaux, M. Scholl, A. Voisard, Spatial Databases With Applications to GIS, Morgan Kaufmann, 2001
• C. J. Date, H. Darwen, N.A. Lorentzos, Time and Relational Theory: Temporal Databases in the Relational Model and SQL, Morgan Kaufmann, 2014 
• S. Chakravarthy, Q. Jiang, Stream Data Processing A Quality of Service Perspective, Springer, 2009
• P. Revesz, Introduction to Databases- From Biological to Spatio-Temporal, Springer 2010
• D. Suciu, D. Olteanu, Chr. Re, Chr. Koch, Probabilistic Databases, Morgan & Claypool, 2011
• S. Ceri, A. Bozzon, M. Brambilla, E. Della Valle, P. Fraternali, S. Quarteroni, Web Information Retrieval, Springer, 2013