Non-Standard Datenbanken und Data Mining (CS3202)


Dozent: Prof. Dr. Ralf Möller

Übungen: Tanya Braun und Felix Kuhr

Inhalt:

  • Einführung (pdfpptx)
  • Semistrukturierte Datenbanken (JSON, XML) und Volltextsuche (version 16.10.2018, 11:50 pdfpptx)
  • Information Retrieval (Aktualisierung am 26.10. pdfpptx)
  • Mehrdimensionale Indexstrukturen (Aktualisierung am 29.10. pdfpptx)
  • Cluster-Bildung (Aktualisierung am 10.11. pdfpptx)
  • Einbettungstechniken (Aktualisierung am 15.11. pdfpptx)
  • First-n-, Top-k-, und Skyline-Anfragen (Aktualisierung am 26.11. pdfpptx)
  • Probabilistische Datenbanken, Anfragebeantwortung, Top-k-Anfragen und Open-World-Annahme (Aktualisierung am 6.12. pdfpptx)
  • Probabilistische Modellierung, Bayes-Netze, Anfragebeantwortungsalgorithmen, Lernverfahren, Erweiterung auf relationale Daten (Aktualisierung am 16.12. pdfpptx)
  • Temporale Datenbanken und das relationale Modell (pdfpptx)
  • Probabilistische Temporale Datenbanken (pdfpptx)
  • Dynamische Bayessche Netze, Inferenzalgorithmen und Lernverfahren, Persistenz (pdf, pptx)
  • Stromdatenbanken, Prinzipien der Fenster-orientierten inkrementellen Verarbeitung (pdf, pptx)
  • Approximationstechniken für Stromdatenverarbeitung, Stream-Mining (ppt, pptx)
  • Raum-zeitliche Anfragen und Indexstrukturen (pdf, pptx)
  • Probabilistische raum-zeitliche Datenbanken und Stromdatenverarbeitungsssysteme (pdf, pptx)
  • Von NoSQL- zu NewSQL-Datenbanken, CAP-Theorem, Blockchain-Datenbanken (pdf, pptx)
  • Graphdatenbanken, Approximationstechniken für Graphanfragen (pdf, pptx)
  • Probabilistisches Data Mining unter Wahrung der Anonymität (pdf, pptx)

Umfang: 2x2 SWS Vorlesung, 2 SWS Übung, gesamt: 8 ECTS

Zeit und Ort:

  • Vorlesung: Montags 14.15-16.00 Uhr und Donnerstags 10.15-12.00 Uhr, beides im IFIS Seminarraum, Geb. 64, Raum 2.035

Beginn:

Vorlesung: Montag, den 15.10.2018
Übung: Freitag, den 07.11.2018

Voraussetzungen:

  • Algorithmen und Datenstrukturen
  • Analysis
  • Lineare Algebra und Diskrete Strukturen
  • Datenbanken
  • Programmierung
  • Stochastik oder Biostatistik
  • kontextfreie Grammatiken

Vorteilhaft:

  • Einführung in die Logik

Qualifikationsziele / Kompetenzen:

Wissen

Studierende können die Hauptmerkmale von Standard-Datenbanken benennen und erläutern, welche Non-Standard-Datenmodelle entstehen, wenn die Merkmale fallengelassen werden. Sie können beschreiben, welche Kernideen hinter den in der Veranstaltung behandelten Non-Standard-Datenmodellen stehen, indem sie erklären, wie die entsprechenden Anfragesprachen zu verstehen sind (Syntax und Semantik) und welche Implementierungstechniken hauptsächlich zu ihrer praktischen Umsetzung eingesetzt werden. Weiterhin können Studierende elementare Data-Mining-Techniken auch im Zusammenhang mit Nicht-Standard Datenbanken erläutern.

 

Fertigkeiten

Studierende können Anfragesprachen für Non-Standard-Datenmodelle, die im Kurs eingeführt wurden, anwenden, um bestimmte Strukturen aus Beispieldatenbeständen heraussuchen zu können, so dass sich Informationsbedürfnisse befriedigen lassen. Die Studierenden sind in der Lage, Datenmodelle in das relationale Datenmodell unter Verwendung von eingeführten Kodierungstechniken zu übersetzen, so dass sie demonstrieren können, wie neue Formalismen mit dem relationalen Modell in Beziehung stehen und in SQL implementiert werden können (insbesondere SQL-2011). Für den Fall, dass eine Übersetzung in SQL nicht möglich ist, können die Studierenden angepasste Algorithmen erläutern und anwenden. Studierende können weiterhin demonstrieren, wie Indexstrukturen eine schnelle Anfragebeantwortung ermöglichen, indem sie zeigen, wie Indexstrukturen aufgebaut, verwaltet und bei der Anfragebeantwortung ausgenutzt werden. Die Kursteilnehmer können Anfrageantworten Schritt für Schritt herleiten, indem sie optimierte Ausführungspläne bestimmen. Darüber hinaus können sie elementare Techniken für das Data-Mining umsetzen.

 

Sozialkompetenz und Selbständigkeit

Studierende arbeiten in Gruppen, um Aufgaben zu bearbeiten und zu lösen, und sie werden angeleitet, selbst erarbeitete Lösungen in einem Kurzvortrag zur Diskussion zu stellen (in der Übung). Weiterhin wird die Selbständigkeit der Studierenden durch Aufzeigen von konkret verfügbaren Datenbanksystemen gefördert, so dass die Studierenden selbstbestimmt Arbeiten in einem praktischen Kontext durchführen können.


Moodle:

Weitere Informationen sowie Materialien zur Vorlesung und Übung sind unter Moodle zu finden.

Für den Zugriff müssen Sie sich selbst in den den Kurs einschreiben. Dies wird spätestens zum Kursbeginn am 15.10.2016 möglich sein.

Literatur:

  • A.U. Tansel, J. Clifford, S. Gadia, S. Jojodia, A. Segev, R. Snodgrass, Temporal Databases: Theory, Design, and Implementation, Benjamin Cummings Publishing Company, 1993
  • J. Chomicki, G. Saake (Eds.), Logics for Databases and Information Systems, Springer, 1998
  • S. Abiteboul, P. Buneman, D. Suciu, Data on the Web - From Relations to Semistructured Data and XML, Morgan Kaufmann, 1999
  • P. Rigaux, M. Scholl, A. Voisard, Spatial Databases With Applications to GIS, Morgan Kaufmann, 2001
  • C. J. Date, H. Darwen, N.A. Lorentzos, Time and Relational Theory: Temporal Databases in the Relational Model and SQL, Morgan Kaufmann, 2014 
  • S. Chakravarthy, Q. Jiang, Stream Data Processing A Quality of Service Perspective, Springer, 2009
  • P. Revesz, Introduction to Databases- From Biological to Spatio-Temporal, Springer 2010
  • D. Suciu, D. Olteanu, Chr. Re, Chr. Koch, Probabilistic Databases, Morgan & Claypool, 2011
  • S. Ceri, A. Bozzon, M. Brambilla, E. Della Valle, P. Fraternali, S. Quarteroni, Web Information Retrieval, Springer, 2013