Lehrveranstaltungen: Knowledge Discovery in Databases


	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 I im WS 2007/08 Vorhergehende Jahre: [ WS 06/07 \| WS 05/06 \| WS 04/05 \| WS 03/04 \| WS 02/03 \| WS 00/01 \| WS 99/00 ]


Veranstaltung	Zeit	Ort	Beginn
Vorlesung	Di, 13.00 - 16.00 Uhr	Raum M 014 (Hauptgebäude)	16.10.2007
Übung	Do, 12.00 - 14.00 Uhr Fr, 12.00 - 14.00 Uhr Fr, 14.00 -16.00 Uhr	Raum 0.33 (Oettingenstr. 67) Raum 0.37 (Oettingenstr. 67) Raum 0.37 (Oettingenstr. 67)	25.10.2007 26.10.2007 26.10.2007

Klausur

Einsichtnahme: Mittwoch, 05.03.2008, 13:00 - 13:30, Raum E 1.08 (Oettingenstr.)
Ergebnisse sind jetzt online
Die Klausur findet am 26.01.2008 im Raum B101 im Hauptgebäude statt.
Beginn: 10:15 Uhr
Einlass: 10:00 Uhr
Hilfsmittel: Es ist ein nichtprogrammierbarer Taschenrechner als Hilfsmittel zugelassen (es geht aber auch ohne)

Aktuelles

Klausureinsicht findet statt am Mittwoch, 05.03.2008, 13:00 - 13:30, Raum E 1.08 (Oettingenstr.). Scheine gibt es erst nach der Einsichtnahme!
Die Ergebnisse der Klausur sind online
Die Übungen am Donnerstag, 24.01.2008 und Freitag 25.01.2008 entfallen zu Gunsten einer geregelten Klausurvorbereitung. Viel Erfolg in der Klausur!
Die Übung am Donnerstag, 07.01.2008 muss entfallen. Bitte auf die Übungen am Freitag ausweichen!
Die Klausur findet am 26.01.2008 zwischen 10:00 und 12:00 im Raum B101 im Hauptgebäude statt.
Die Anmeldung für den Übungsbetrieb und damit für die Teilnahme an der Klausur steht ab sofort unter "Anmeldung zu den Übungungen " zur 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 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.
Data Mining wird dabei häufig auch auf große Mengen betrieblicher Daten angewendet, die in sogenannten Data Warehouses gesondert verwaltet werden.
Der häufig verwendete Begriff Business Intelligence beschreibt dann unter anderem die Anwendung von Data Mining Algorithmen auf die von einem Data Warehouse bereitgestellten Informationen, um zielgerichtet Entscheidungsprozesse zu unterstützen.
Die Vorlesung gibt einen Überblick über die Grundlagen der wichtigsten KDD-Techniken. Dabei wird besonders auf die folgenden Teilgebiete eingegangen: Klassifikation, Regression/Trenderkennung, Clustering, Outlier Detection und Assozationsregeln.
Zur Vertiefung der Vorlesung werden 2-stündige Übungen angeboten, in denen die vorgestellten Verfahren weiter erläutert und an praktischen Beispielen veranschaulicht werden.

- Umfang: 3 + 2 Semesterwochenstunden
- Vorlesung: Dr. Peer Kröger, Dr. Matthias Schubert
- Vorkenntnisse: Vorlesung Datenbanksysteme (wünschenswert)
- Übungen: Dr. Peer Kröger, Dr. Matthias Schubert, Markus Bundschus

Anmeldung zur Übung

Vorlesungsplan

Datum	Vorlesung	Datum	Übung
16.10.2007	Einleitung und Merkmalsräume
25.10.2007	Merkmalsräume	26.10.2007 27.10.2007	Merkmalsräume Blatt 1
30.10.2007	Klassifikation	01.11.2007 02.11.2007	Übung entfällt wegen Feiertag
06.11.2007	Klassifikation	08.11.2007 09.11.2007	Merkmalsräume und Klassifikation Blatt 2 Cross-Validation Algorithmus
13.11.2007	Klassifikation	15.11.2007 16.11.2007	Klassifikation Blatt 3
20.11.2007	Klassifikation und Regression	22.11.2007 23.11.2007	Klassifikation Blatt 4 Lösung Regression
27.11.2007	Clustering	29.11.2007 30.11.2007	Klassifikation und Regression Blatt 5
4.12.2007	Clustering (Forts.)	6.12.2007 7.12.2007	Clustering Blatt 6 (Loesung 6-1)
11.12.2007	Clustering	13.12.2007 14.12.2007	Clustering Blatt 7 (Loesung 7-1)
18.12.2007	Outlier Detection	20.12.2007 21.12.2007	Clustering Blatt 8
08.01.2008	Assoziationsregeln	10.01.2008 11.01.2008	Wiederholung von Blatt 8 (Loesung 8-2) Achtung: Übung am Donnerstag entfällt, bitte auf Freitag verteilen!
15.01.2008	DB-Techniken zur Leistungssteigerung	17.01.2008 18.01.2008	Clustering, Outlier Detection, Assoziationsregeln Blatt 9 (Loesung 9-1, Loesung 9-3)
22.01.2008	Data Warehousing und Wiederholung	24.01.2008 25.01.2008	entfallen!!!
29.01.2008	Ausblick und Klausurbesprechung

Weiterführende Informationen

Lehrstuhleignene Projektseiten im Bereich KDD
KDNuggets - Populärer E-Newsletter zum Data Mining
ACM SIGKDD - 'Special Interest Group' der 'Association for Computing Machinery' zum Thema KDD
Weka (Data Mining with open source Machine Learning Software in Java.)

Interesante Links zu JAVA:

The Source for Java(TM) Technology - JAVA.SUN (englisch)
Mary Campione et al.

http://java.sun.com/docs/books/tutorial/

Guido Krüger

Download:

Lokal : gj22html.zip, gj22exam.zip
Die Homepage von "Go To Java 2": http://www.javabuch.de/

Homepages: DBS Institut LMU

Vorlesung Knowledge Discovery in Databases I im WS 2007/08