Lernziele:

Die Studierenden

• kennen die Definition des Data Mining
• sind mit dem CRISP-DM vertraut
• sind mit den wichtigsten Data Mining-Algorithmen wie Entscheidungsbaum, K-Means, Künstliche Neuronale Netze, Assoziationsregeln, Regressionsanalyse vertraut
• können mit einem DM-Tool arbeiten

Inhalt:

Part one: Data Mining:

What is Data Mining?; History of Data Mining; Conferences and Journals on Data Mining; Potential Applications; Data Mining Process; Business Understanding; Data Understanding; Data Preparation; Modeling; Evaluation; Deployment; Interdisciplinary aspects of Data Mining; Data Mining tasks; Data Mining Algorithms (Decision Trees, Association Rules, Regression, Clustering, Neural Networks); Fuzzy Mining; OLAP and Data Warehouse; Data Mining Tools; Trends in Data Mining

Part two: Examples of application of Data Mining

Success parameters of Data Mining Projects; Application in industry; Application in Commerce

Arbeitsaufwand:

Gesamtaufwand bei 4,5 Leistungspunkten: ca. 135 Stunden

Präsenzzeit: 30 Stunden

Vor- /Nachbereitung: 65 Stunden

Prüfung und Prüfungsvorbereitung: 40 Stunden

U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, R. Uthurusamy, editors, Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996 (order online from Amazon.com or from MIT Press).

Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2nd edition, Morgan Kaufmann, ISBN 1558609016 , 2006.

David J. Hand, Heikki Mannila and Padhraic Smyth, Principles of Data Mining , MIT Press, Fall 2000

Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Verlag, 2001.

Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Pearson Addison wesley (May, 2005). Hardcover: 769 pages. ISBN: 0321321367

Ripley, B.D. (1996) Pattern Recognition and Neural Networks, Cambridge: Cambridge University Press.

Ian Witten and Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2nd Edition, Morgan Kaufmann, ISBN 0120884070 , 2005.

Blockveranstaltung, Termine werden über ILIAS bekannt gegeben

Schriftliche Ausarbeitung, Vortrag und Teilnahme an der Diskussion 

*mündliche Prüfung und empirische Fallstudie zur Anerkennung des Projektseminars als Vorlesung

Masterstudierende mit Data Mining Vorkenntnissen

(Für die Masterstudierende, die das Projektseminar als Vorlesung anerkennen lassen möchten, würde es reichen, wenn sie Vorkenntnisse über Statistik, Ökonometrie oder statistische multivariate Analyse nachweisen können)

Nur über den Seminarleiter per E-Mail (gholamreza.nakhaeizadeh@kit.edu), Nachweis über die erforderlichen Vorkenntnisse (Scheine, Zertifikate, aktueller Notenauszug,  etc.) soll gleichzeitig mit der Anmeldung  per E-Mail an den Seminarleiter übersendet werden

Weitere Informationen (Themenabgabe, Vortragstermin, Abgabetermin,  Info. zu zusätzlicher Leistung zur Anerkennung als Vorlesung, etc.) erhalten Sie auf der Online-Seminarvorbesprechung am 15.04.2021, die genaue Uhrzeit wird noch bekannt gegeben.