Einführung in Web und Data Science


Dozent:
Prof. Dr. rer.nat. Ralf Möller

Inhalt:

  1. Einführung, Klassifikation vs. Regression, parametrisches und nicht-parametrisches überwachtes Lernen (Aktualisierung am 26.10. pdfpptx)
  2. Neuronale Netze und Support-Vektor-Maschinen (pdfpptx)
  3. Häufungsanalysen, Warenkorbanalyse, Empfehlungen (pdfpptx)
  4. Statistische Grundlagen: Stichproblen, Schätzer, Verteilung, Dichte, kumulative Verteilung, Skalen: Nominal-, Ordinal-, Intervall- und Verhältnisskala, Hypothesentests, Konfidenzintervalle (Aktualisierung am 6.12. pdfpptx)
  5. Reliabilität, Interne Konsistenz, Cronbach Alpha, Unterschiedshypothesen: t-Test (Intervallskala, Normalverteilung), Trennschärfe, Chi-Quadrat-Test (Nominal- und Ordinalskala) (Aktualisierung am 17.12. pdfpptx)
  6. Induktives Lernen: Versionsraum, Informationstheorie, Entscheidungsbäume, Lernen von Regeln (pdfpptx)
  7. Ensemble-Methoden, Bagging, Boosting, Random Forests (pdf, pptx)
  8. Unüberwachtes Lernen, Clustering (pdf, pptx)
  9. Analyse der Variation (Analysis of Variation, ANOVA, MANOVA, Discriminant Function Analysis), Inter-Cluster-Variation, Intra-Cluster-Variation, F-Statistik, R2-Statistik vs Korrelation, Bonferroni-Korrektur, Tukeys Methode, ARIMA (pdf, pptx)
  10. Zeitreihenanalyse (pdf, pptx)
  11. Analyse Sozialer Strukturen (pdf, pptx)
  12. Zusammenfassung (pdf, pptx)

Zielgruppe:
Bachelor Informatik ab 2016 (Wahlpflicht), Einführungsveranstaltung Informatik, 1. Fachsemester Bachelor Informatik ab 2016, Kanonische Vertiefung Web and Data Science, 1. Fachsemester (Plicht)

Umfang: 
2 SWS Vorlesung
1 SWS Übung

Zeit und Ort:

Vorlesung: Donnerstags, 12:00 - 14:00 Uhr im IFIS-Seminarraum Geb. 64, Rm 2035

Übung: Mittwochs, 13:15 - 14:00 Uhr im IFIS-Seminarraum Geb. 64, Rm 2035

Beginn:

Vorlesung: Donnerstag, den 18.10.2018