Datenanalyse für Ingenieure
- Typ: Vorlesung / Übung (VÜ)
-
Lehrstuhl:
KIT-Fakultäten - KIT-Fakultät für Maschinenbau - Institut für Automation und angewandte Informatik
KIT-Fakultäten - KIT-Fakultät für Maschinenbau - Semester: SS 2022
-
Zeit:
Do 21.04.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 28.04.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 28.04.2022
17:30 - 19:00
Do 05.05.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 12.05.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 12.05.2022
17:30 - 19:00
Do 19.05.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 02.06.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 23.06.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 23.06.2022
17:30 - 19:00
Do 30.06.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 07.07.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 07.07.2022
17:30 - 19:00
Do 14.07.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 21.07.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
Do 21.07.2022
17:30 - 19:00
Do 28.07.2022
14:00 - 15:30, wöchentlich
10.91 Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (OG 2)
-
Dozent:
apl. Prof. Dr. Ralf Mikut
apl. Prof. Dr. Markus Reischl
Stefan Meisenbacher - SWS: 3
- LVNr.: 2106014
- Hinweis: Präsenz/Online gemischt
Inhalt | Lerninhalt:
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). |
Vortragssprache | Deutsch |
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) |