Search:
Lehrstuhl  |  Institut  |  Fakultät  |  LMU
print

Hauptseminar "Recent Developments in Data Science" im SS 2017



Aktuelles

  • Die Vortragsreihe wird eine Woche später als ursprünglich geplant starten. Der erste Termin wird damit der 04.05. sein.
  • Die Plätze für dieses Seminar werden zentral vergeben. Beachten Sie auch Ankündigungen in anderen Lehrveranstaltungen. Der Anmeldezeitraum wird voraussichtlich in der zweiten Januarhälfte liegen.
  • Die Organisationsfolien liegen zum Download bereit.

Inhalt

In this seminar, we discuss recent concepts and approaches in the area of Data Science including data management and data analytics. The focus is on effective models and efficient techniques for mining patterns in large databases of complex objects from different application areas. The participants will prepare reports and give a talk on selected topics in the area.

Für eine erfolgreiche Teilnahme am Seminar gibt es folgende Voraussetzungen:

  • die Teilnahme an der Vorbesprechung
  • die aktive Teilnahme am Seminar
  • eine eigenständig vorbereitete Präsentation, die zeigt, dass die präsentierte Forschung verstanden wurde, und essenzielle Ideen und Techniken verständlich präsentiert
  • eine schriftliche Ausarbeitung von etwa 5-10 Seiten (20.000-30.000 Zeichen) in Englisch
  • darin ein ausführliches selbsterstelltes Beispiel/Szenario zur Forschung

Die Vortragszeit beträgt 25 Min., darauf folgen 5-10 Min. Diskussion. (Insgesamt: 30-35 Minuten)


Das Seminar richtet sich an Studierende der Master-Studiengänge Informatik.
Die Teilnahme entspricht 6 ECTS Punkten.

Vorkenntnisse: Teilnahme am mindestens einer Mastervorlesung des Lehrstuhls.


Organisation


Anmeldung


Ort und Zeit

Veranstaltung Zeit Ort Beginn
Vorbesprechung Mo., 06.02.2017, 12.00 - 13.00 Uhr Raum L155 (Oettingenstr. 67)
Seminar Donnerstags, 14.00 - 16.00 Uhr Raum U127 (Oettingenstr. 67) 04.05.2017


Datum Thema Vortragender Betreuer
04.05. From low-level events to activities-a pattern-based approach Anna Ovsjannikova Florian Richter
04.05. A non-Compensatory Approach for Trace Clustering Michael Schönitzer Florian Richter
11.05. entfällt
18.05. entfällt
25.05. entfällt: Christi Himmelfahrt
01.06. TRIÈST: Counting Local and Global Triangles in Fully-Dynamic Streams with Fixed Memory Size Johannes Ismair Janina Bleicher
01.06. Come-and-Go Patterns of Group Evolution: A Dynamic Model Felizitas Kunz Janina Bleicher
01.06. Pairwise Clustering based on the Mutual-Information Criterion Mihaela Hanea Anna Beer
08.06. Network Lasso: Clustering and Optimization in Large Graphs Cedric Quintes Anna Beer
08.06. Grarep: Learning graph representations with global structural information Jindong Gu Julian Busch
08.06. A general graph-based model for recommendation in event-based social networks Christian Lemke Julian Busch
15.06. entfällt: Fronleichnam
22.06. Glove: Global Vectors for Word Representation Jennifer Ling Julian Busch
22.06. Deep learning via semi-supervised embedding Eduard Saller Julian Busch
29.06. Revisiting Semi-Supervised Learning with Graph Embedding Sebastian Wagner Julian Busch
29.06. A Novel Information-Theoretic Approach for Variable Clustering and Predictive Modeling Using Dirichlet Process Mixtures Veronika Stürzer Daniyal Kazempour
29.06. Classy: fast clustering streams of call-graphs Leonhard Settele Yifeng Lu
06.07. Stream Clustering: Efficient Kernel-Based Approximation Using Importance Sampling Sebastian Appelt Yifeng Lu
06.07. A Subsequence Interleaving Model for Sequential Pattern Mining Alexander Koos Janina Bleicher

Programm

Semesterbegleitend werden die Inhalte der folgenden Publikationen von Ihnen aufbereitet und präsentiert. In Klammern angegeben ist der Betreuer für das jeweilige Thema.

  1. Mannhardt, Felix, et al. "From low-level events to activities-a pattern-based approach." International Conference on Business Process Management. Springer International Publishing, 2016. (Richter)
  2. Calvanese, Diego, et al. "Semantics and Analysis of DMN Decision Tables." International Conference on Business Process Management. Springer International Publishing, 2016. (Richter)
  3. Delias, Pavlos, et al. "A non-Compensatory Approach for Trace Clustering." (2017). (Richter)
  4. Ye, W., Maurus, S., Hubig, N., & Plant, C. "Generalized Independent Subspace Clustering" IEEE 16th International Conference on Data Mining, 2016. (Kazempour)
  5. Peng, X.-Y., Yang, Y.-B., Wang, C.-D., Huang, D., & Lai, J.-H. "An Efficient Parallel Nonlinear Clustering Algorithm Using MapReduce" IEEE International Parallel and Distributed Processing Symposium Workshops, 2016. (Kazempour)
  6. Chen, Y., & Yang, H. "A Novel Information-Theoretic Approach for Variable Clustering and Predictive Modeling Using Dirichlet Process Mixtures" Nature Scientific Reports, 2016. (Kazempour)
  7. Wang, Jun, et al. "Distance metric learning for soft subspace clustering in composite kernel space." Pattern Recognition 52 (2016): 113-134. (Beer)
  8. Hallac, David, Jure Leskovec, and Stephen Boyd. "Network lasso: Clustering and optimization in large graphs." Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2015. (Beer)
  9. Alush, Amir, Avishay Friedman, and Jacob Goldberger. "Pairwise clustering based on the mutual-information criterion." Neurocomputing 182 (2016): 284-293. (Beer)
  10. Cao, Shaosheng, Wei Lu, and Qiongkai Xu. "Grarep: Learning graph representations with global structural information." Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. ACM, 2015. (Borutta, Busch, Faerman)
  11. Terada, Yoshikazu, and Ulrike V. Luxburg. "Local ordinal embedding." Proceedings of the 31st International Conference on Machine Learning (ICML-14). 2014. (Borutta, Busch, Faerman)
  12. Weston, Jason, et al. "Deep learning via semi-supervised embedding." Neural Networks: Tricks of the Trade. Springer Berlin Heidelberg, 2012. 639-655. (Borutta, Busch, Faerman)
  13. Pham, Tuan-Anh Nguyen, et al. "A general graph-based model for recommendation in event-based social networks." Data Engineering (ICDE), 2015 IEEE 31st International Conference on. IEEE, 2015. (Borutta, Busch, Faerman)
  14. Pennington, Jeffrey, Richard Socher, and Christopher D. Manning. "Glove: Global Vectors for Word Representation." EMNLP. Vol. 14. 2014. (Borutta, Busch, Faerman)
  15. Fowkes, Jaroslav, and Charles Sutton. "A Subsequence Interleaving Model for Sequential Pattern Mining." (Bleicher)
  16. De Stefani, Lorenzo, et al. "TRIÈST: Counting Local and Global Triangles in Fully-Dynamic Streams with Fixed Memory Size." (Bleicher)
  17. Zhang, Tianyang, et al. "Come-and-Go Patterns of Group Evolution: A Dynamic Model." Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016. (Bleicher)
  18. Zhao, Yuchen, and Philip S. Yu. "On graph stream clustering with side information." Proceedings of the 2013 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics, 2013. (Lu)
  19. Chitta, Radha, Rong Jin, and Anil K. Jain. "Stream Clustering: Efficient Kernel-Based Approximation Using Importance Sampling." Data Mining Workshop (ICDMW), 2015 IEEE International Conference on. IEEE, 2015. (Lu)
  20. Yoo, Shinjae, Hao Huang, and Shiva Prasad Kasiviswanathan. "Streaming spectral clustering." Data Engineering (ICDE), 2016 IEEE 32nd International Conference on. IEEE, 2016. (Lu)



Weiterführende Links

Zusätzliche Informationen


Vorhergehende Semester

WS 16/17

blank