 |
Ludwig-Maximilians-Universität
München
Institut für Informatik
Lehr- und Forschungseinheit
für Datenbanksysteme |
University
of Munich
Institute for Computer
Science
Database and Information
Systems |
Vorlesung Knowledge Discovery in Databases im
WS 2003/04
|
| Veranstaltung |
Zeit |
Ort |
Beginn |
| Vorlesung |
Do, 08.00 - 11.00 Uhr |
Raum 1.14 (Oettingenstr. 67) |
23.10.2003 |
Übung
|
Do, 16.00 - 18.00 Uhr
Mo, 14.00 - 16.00 Uhr
Mo, 16.00 - 18.00 Uhr
|
Raum 1.13 (Oettingenstr. 67)
Raum 1.31 (Oettingenstr. 67)
Raum 1.31 (Oettingenstr. 67) |
30.10.2003
03.11.2003
03.11.2003 |
Aktuelles
- Die Scheine zur Vorlesung KDD können ab 24. Februar im Sekretariat (Raum 1.52) abgeholt werden.
- Merkblatt zum Übungsbetrieb
- Diskussionsforum KDD (von Studenten für Studenten)
Auf Initiative von Sebastian Böttger ist ein Diskussionsforum zur Vorlesung KDD im WWW entstanden.
Die Adresse des Forums ist : http://www.die-informatiker.net
Wir begrüssen diese Initiative, übernehmen aber natürlich keinerlei Verantwortung für den Inhalt.
- Auf Wunsch stehen nun auch alle Skriptteile in Powerpoint zum
Download zu Verfügung
Inhalt:
Die in vielen Anwendungsgebieten stark angewachsenen Datenmengen machen eine
manuelle Analyse der angefallenen Information zunehmend schwierig, wenn nicht
sogar unmöglich. Gerade in Bereichen wie der Auswertung biologischer
Meßverfahren (Gen-Sequenzierung, Micro-Array Verfahren ...) oder von
Transaktionsdaten großer Telekomunikations- oder Netzbetreiber, ist
eine Nutzung der Daten ohne die Zuhilfenahme computergestützter Verfahren
nicht denkbar.
Mit der Lösung dieser Probleme beschäftigt sich daher das vergleichsweise
junge Forschungsgebiet "Knowledge Discovery in Databases (KDD)". Es
verbindet dabei Aspekte der Statistik, dem maschinellen Lernen, sowie der
Datenbanksysteme und behandelt Methoden zur (semi-)automatischen Extraktion
von gültigem, neuem und potentiell nützlichem Wissen aus großen
Datenbanken. Der in diesem Zusammenhang häufig verwendete Begriff Data
Mining bezieht sich dabei auf den grundlegenden Schritt im KDD-Prozeß,
in dem die eigentliche Analyse der Daten durchgeführt wird.
Die Vorlesung gibt einen Überblick über die Grundlagen der wichtigsten
KDD-Techniken. Dabei wird besonders auf die folgenden Teilgebiete
eingegangen: Klassifikation, Clustering, Assozationsregeln,Outlier Detection
und Trenderkennung.
Desweiteren werden spezielle Anwendungen wie KDD in Texten, biologischen
Daten und Zeitreihen behandelt.
Zur Vertiefung der Vorlesung werden 2-stündige Übungen angeboten,
in denen die vorgestellten Verfahren weiter erläutert und an praktischen
Beispielen veranschaulicht werden.
- - Bereich: ST, A, SE
- - Umfang: 3 + 2 Semesterwochenstunden
- - Vorlesung: Prof. Dr. Christian
Böhm
- - Vorkenntnisse: Vorlesung Datenbanksysteme I (wünschenswert)
- - Übungen: Peer
Kröger und Karin Kailing
- - Skript: Es wird ein Skript zur Vorlesung geben. Weitere Literatur wird in der Vorlesung angegeben.
Klausur:
Euer Ergebnis in der Klausur findet Ihr hier
. Wer 30 oder mehr Punkte von 60 möglichen erreicht hat, hat bestanden.
Die Klausur zur Vorlesung KDD findet wie angekündigt am 26.01.2004 im HS 101 im Hauptgebäude statt.
Beginn ist um 9:15 Uhr. Bitte seid pünktlich!
Die Bearbeitungszeit beträgt 60 Minuten. Hilfsmittel sind nicht zugelassen.
Einzige Ausnahme: Ihr dürft einen nicht-programmierbaren Taschenrechner mitbringen.
KDD-Cup:
Wie lange angekündigt, ist es jetzt endlich so weit, der KDD-Cup naht!
Alle wichtigen Infos dazu findet Ihr in folgendem Merkblatt.
Ihr habt die Wahl zwischen den beiden Aufgabenstellungen
Warenkorbanalyse
(shopping.txt)
und
Briefaktion
(banking.txt).
Wenn Ihr noch allgemeine Fragen zum KDD-Cup habt, nutzt doch bitte vorallem das
Diskussionsforum zur Vorlesung, da unsere Antworten, da auch gleich alle
anderen, die vor der gleichen Frage stehen, erreichen!
Achtung: Auf Wunsch findet die erste Abnahme nicht wie angekündigt
gleich nach Weihnachten, sondern erst am Do, 15.01.2004 bzw. Mo, 19.01.2004
statt!
Weiterführende Informationen
Interesante Links zu JAVA:
Homepages:
DBS
Institut
LMU
Karin Kailing (kailing@dbs.informatik.uni-muenchen.de)