Home | english  | Impressum | Datenschutz | Sitemap | KIT

Datenanalyse für Ingenieure

Datenanalyse für Ingenieure
Typ:
Semester: SS 2020
Zeit: 23.04.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude


30.04.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

30.04.2020
15:45 - 17:15
20.21 Pool I
20.21 Kollegiengebäude am Zirkel, Teil 2 (SCC)

07.05.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

14.05.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

14.05.2020
15:45 - 17:15
20.21 Pool I
20.21 Kollegiengebäude am Zirkel, Teil 2 (SCC)

28.05.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

28.05.2020
15:45 - 17:15
20.21 Pool I
20.21 Kollegiengebäude am Zirkel, Teil 2 (SCC)

04.06.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

18.06.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

25.06.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

25.06.2020
15:45 - 17:15
20.21 Pool I
20.21 Kollegiengebäude am Zirkel, Teil 2 (SCC)

02.07.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

09.07.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

09.07.2020
15:45 - 17:15
20.21 Pool I
20.21 Kollegiengebäude am Zirkel, Teil 2 (SCC)

16.07.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

23.07.2020
14:00 - 15:30 wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude

23.07.2020
15:45 - 17:15
20.21 Pool I
20.21 Kollegiengebäude am Zirkel, Teil 2 (SCC)


Dozent: Prof. Dr. Ralf Mikut
PD Dr.-Ing. Markus Reischl
Nicole Ludwig
SWS: 3
LVNr.: 2106014
Bemerkungen

Lerninhalt:

  • Einführung und Motivation
  • Begriffe und Definitionen (Arten von mehrdimensionalen Merkmalen - Zeitreihen und Bilder, Einteilung Problemstellungen)
  • Einsatzszenario: Problemformulierungen, Merkmalsextraktion, -bewertung, -selektion und
    -transformation, Distanzmaße, Bayes-Klassifikation, Support-Vektor-Maschinen, Entscheidungsbäume, Cluster-Verfahren, Regression, Validierung
  • 14tägige Rechnerübungen und Anwendungen (Software-Übung mit SciXMiner): Import von Daten, Verschiedene Benchmarkdatensätze, Steuerung Handprothese, Energieprognose
  • 2 SWS Vorlesungen, 1 SWS Übung

Lernziele:

Die Studierenden können die Methoden der Datenanalyse zielgerichtet und effizient zur Anwendung bringen. Sie beherrschen sowohl die grundlegenden mathematischen Data-Mining-Methoden zur Analyse von Einzelmerkmalen und Zeitreihen mit Klassifikations-, Cluster- und Regressionsverfahren inkl. einer Auswahl praxisrelevanter Verfahren (Bayes-Klassifikatoren, Support-Vektor-Maschinen, Entscheidungsbäume, Fuzzy-Regelbasen) als auch Einsatzszenarien zur Beherrschung praktischer Problemstellungen (Datenaufbereitung, Validierungen).

Voraussetzungen

Keine.

Empfehlungen:

Keine.

Literaturhinweise

Vorlesungsunterlagen (ILIAS)

Mikut, R.: Data Mining in der Medizin und Medizintechnik. Universitätsverlag Karlsruhe.

2008 (PDF frei im Internet)

Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R.: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung. Berlin u.a.: Springer. 2000

Burges, C.: A Tutorial on Support Vector Machines for Pattern Recognition. Knowledge Discovery and Data Mining 2(2) (1998), S. 121–167

Tatsuoka, M. M.: Multivariate Analysis. Macmillan. 1988

Mikut, R.; Loose, T.; Burmeister, O.; Braun, S.; Reischl, M.: Dokumentation der MATLAB-Toolbox SciXMiner. Techn. Ber., Forschungszentrum Karlsruhe GmbH. 2006 (Internet)

Lehrinhalt
  • Einführung und Motivation
  • Begriffe und Definitionen (Arten von mehrdimensionalen Merkmalen - Zeitreihen und Bilder, Einteilung Problemstellungen)
  • Einsatzszenario: Problemformulierungen, Merkmalsextraktion, -bewertung, -selektion und
    -transformation, Distanzmaße, Bayes-Klassifikation, Support-Vektor-Maschinen, Entscheidungsbäume, Cluster-Verfahren, Regression, Validierung
  • 14tägige Rechnerübungen und Anwendungen (Software-Übung mit SciXMiner): Import von Daten, Verschiedene Benchmarkdatensätze, Steuerung Handprothese, Energieprognose
  • 2 SWS Vorlesungen, 1 SWS Übung
Arbeitsbelastung

Präsenzzeit: 32 Stunden
Selbststudium: 118 Stunden

Ziel

Die Studierenden können die Methoden der Datenanalyse zielgerichtet und effizient zur Anwendung bringen. Sie beherrschen sowohl die grundlegenden mathematischen Data-Mining-Methoden zur Analyse von Einzelmerkmalen und Zeitreihen mit Klassifikations-, Cluster- und Regressionsverfahren inkl. einer Auswahl praxisrelevanter Verfahren (Bayes-Klassifikatoren, Support-Vektor-Maschinen, Entscheidungsbäume, Fuzzy-Regelbasen) als auch Einsatzszenarien zur Beherrschung praktischer Problemstellungen (Datenaufbereitung, Validierungen).

Prüfung

mündlich oder schriftlich (bei mehr als 40 Teilnehmern),

Dauer: 30 min (mündlich) oder 60 min (schriftlich)

Hilfsmittel: keine