Knowledge Discovery in Databases I im SS 2011
Aktuelles
- Nachholklausur: Die Nachholklausur ist geplant für Freitag, 07.10.2011 (vorbehaltlich Teilnehmerzahl und Raumplanung). Geplante Uhrzeiten: 10:00 Einlass, 10:15 Beginn, 11:45 Abgabe.
Zur Teilnahme ist eine Klausuranmeldung in UNIWORX erforderlich. Diese erfordert zunächst, dass Sie sich im System für die Vorlesung KDD I (im Sommersemester 2011) anmelden (https://www.pst.ifi.lmu.de/uniworx/). Anschließend müssen Sie sich im Bereich dieser Vorlesung in UNIWORX für die Zweitklausur anmelden. (Anmeldung möglich bis 03.10.2011) - Einsichtnahme in die korrigierte Klausur wird angeboten am 14.9.2011, 10:00 Uhr - 11:30 Uhr, Raum 156, Oettingenstr. 67.
- Die Teilnehmer an der Klausur vom 26.7.2011 können in uniworx die erreichten Punkte einsehen. Die Noten werden erst nach dem Termin zur Klausureinsicht gültig. Dieser wird vermutlich Ende August/Anfang September liegen.
- Klausurtermin: Die Klausur findet Dienstag, den 26.7.2011, im Hörsaal B101 im Hauptgebäude statt. Geplante Uhrzeiten: 8:45 Einlass, 9:00 Beginn, 10:30 Abgabe. Bearbeitungsdauer ist 90 min.
Zur Teilnahme ist eine Klausuranmeldung in UNIWORX erforderlich. Diese erfordert zunächst, dass Sie sich im System für die Vorlesung KDD I anmelden (https://www.pst.ifi.lmu.de/uniworx/). Anschließend müssen Sie sich im Bereich dieser Vorlesung in UNIWORX für die Klausur anmelden.
- Übung am 21.6.11 im Rechnerraum TaklaMakan (CIP-Pool) Oettingenstr 67.
Die Übung am 21.6.11 findet im CIP-Pool (Raum TaklaMakan) in der Oettigenstr. 67 statt. Inhalt der Übung ist der praktische Umgang mit freiverfügbaren Data Mining und Machine Learning programmen.
- Bitte melden Sie sich unter https://www.pst.ifi.lmu.de/uniworx/ zur Vorlesung KDD an. Dies ist noch nicht die Anmeldung zur Prüfung, sondern eine unverbindliche Anmeldung zur Teilnahme an der Lehrveranstaltung. Die Anmeldung zur Vorlesung ist aber Voraussetzung für die Anmeldung zur Prüfung.
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 Telekommunikations- 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 so genannten 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.
Organisation
- Umfang: 3+2 Semesterwochenstunden
- Vorlesung: PD Dr. Matthias Schubert, Dr. Arthur Zimek
- Vorkenntnisse: wünschenswert: Datenbanksysteme I
- Übungen: PD Dr. Matthias Schubert, Dr. Arthur Zimek
Zeit und Ort
| Veranstaltung | Zeit | Ort | Beginn |
|---|---|---|---|
| Vorlesung | Di, 9.00 - 12.00 Uhr | Raum E 216 (Hauptgebäude) | 03.05.2011 |
| Übung |
Di, 16.00 - 18.00 Uhr | Raum D Z007 (Hauptgebäude) |
10.05.2011 |
| Übung |
Do, 16.00 - 18.00 Uhr | Raum C 113 (Theresienstr. 41) |
12.05.2011 |
Vorlesungsplan
| Datum | Vorlesung | Datum | Übung |
| 03.05.2011 | Kapitel 1: Einleitung PDF Kapitel 2: Featureräume PDF | 03.05.2011 05.05.2011 | entfällt |
| 10.05.2011 | Kapitel 2: Featureräume Kapitel 3: Klassifikation PDF | 10.05.2011 12.05.2011 | Blatt01.pdf |
| 17.05.2011 | Kapitel 3: Klassifikation (Fortsetzung) | 17.05.2011 19.05.2011 | Blatt02.pdf |
| 24.05.2011 | Kapitel 3: Klassifikation (Fortsetzung) | 24.05.2011 26.05.2011 | Blatt03.pdf |
| 31.05.2011 | Kapitel 3: Klassifikation (Fortsetzung) | 31.05.2011 | Blatt04.pdf |
| 07.06.2011 | Kapitel 3: Klassifikation (7) Kapitel 4: Regression PDF | 07.06.2011 09.06.2011 | Blatt05.pdf Blatt04.pdf |
| 14.06.2011 | vorlesungsfrei | 16.06.2011 | Blatt05.pdf |
| 21.06.2011 | Kapitel 5: Clustering (1-3) PDF | 21.06.2011 | Rechnerübung CIP-POOL TaklaMakan |
| 28.06.2011 | Kapitel 5: Clustering (4) PDF | 28.06.2011 30.06.2011 | Blatt06.pdf loesung6-2.pdf loesung6-3.pdf |
| 05.07.2011 | Kapitel 6: Outlier Detection PDF | 05.07.2011 07.07.2011 | Blatt07.pdf |
| 12.07.2011 | Kapitel 7: Evaluation von unsupervised Verfahren PDF | 12.07.2011 14.07.2011 | Blatt08.pdf loesung8-1.pdf |
| 19.07.2011 | Kapitel 8: Assoziationsregeln PDF | 19.07.2011 21.07.2011 | Blatt09.pdf Loesung_09-1.pdf Loesung_09-2.pdf |
| 26.07.2011 | Klausur | 26.07.2011 28.07.2011 |
Klausur
Die Klausur findet Di den 26.7.2011 im Hörsaal B101 im Hauptgebäude statt. Geplante Uhrzeiten: 8:45 Einlass, 9:00 Beginn, 10:30 Abgabe. Bearbeitungsdauer ist 90 min.
Weiterführende Informationen
KDD zum Ausprobieren
- Weka 3: Data Mining Software in Java
- Rapid Miner (früher YALE)
- ELKI: Environment for DeveLoping KDD-Applications Supported by Index-Structures
weitere Informationen
- DBS Forum bei www.die-informatiker.net
- Projektseiten im Bereich KDD
- KDNuggets - Populärer E-Newsletter zum Data Mining
- ACM SIGKDD -'Special Interest Group' der 'Association for Computing Machinery' zum Thema KDD
Vorhergehende Semester
SS 11, WS 10/11, WS 09/10, WS 08/09, WS 07/08, WS 06/07, WS 05/06, WS 04/05, WS 03/04, WS 02/03, WS 00/01, WS 99/00
