Digicampus
Lecture: Data Mining (Vorlesung) - Details
You are not logged into Stud.IP.
Lehrveranstaltung wird online/digital abgehalten.

General information

Semester SS 2021
Current number of participants 195
expected number of participants 250
Home institute Prof. Dr. Yarema Okhrin - Statistik
Courses type Lecture in category Teaching
First date Tue , 13.04.2021 12:15 - 13:45
Pre-requisites Voraussetzung für eine erfolgreiche Teilnahme sind solide statistische Kenntnisse, welche in den Veranstaltungen Statistik I und II vermittelt werden. Die Bereitschaft zum regelmäßigen Besuch der Vorlesung, sowie eigene Vor- und Nachbereitung des Stoffes sind notwendig. Zudem wird die Bereitschaft verlangt, sich in die Statistiksprache R tiefergehend einzuarbeiten.
Performance record „Die Frage, wie geprüft wird, befindet sich bei allen bayerischen Universitäten derzeit in Klärung. Sobald es hierzu Neuigkeiten gibt, werden diese an zentraler Stelle veröffentlicht.“
Online/Digitale Veranstaltung Veranstaltung wird online/digital abgehalten.
Hauptunterrichtssprache deutsch
Literaturhinweise - James, Witten, Hastie, Tibshirani (2013): An Introduction to Statistical Learning - with Applications in R, Springer.
- Hastie, Tibshirani, Friedman (2009): The Elements of Statistical Learning – Data Mining, Inference and Prediction, Springer.
- Hothorn, Everitt (2014) A Handbook of Statistical Analyses using R, Chapman and Hall/CRC; 3 edition.
- Wollschläger (2014, 2017) Grundlagen der Datenanalyse mit R - Eine anwendungsorientierte Einführung , Springer.
- Runkler (2010): Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, 1. Auflage, Vieweg + Teubner.
- Nisbet, R., Elder, J., Miner, G., 2009, Handbook of Statistical Analysis and Data Mining Applications, Academic Press.
- Hand, Mannila, Smyth (2001): Principles of Data Mining, The MIT Press.
...

Course location / Course dates

n.a Tuesday: 12:15 - 13:45, weekly(1x)

Module assignments

Comment/Description

Im Rahmen der Veranstaltung Data Mining werden verschiedene Verfahren behandelt:
1. Multiple lineare Regressionsanalyse
2. Regressionsbäume
3. Künstliche neuronale Netze
4. Netzwerkdaten
5. Clusteranalyse
6. Logistische Regressionsanalyse
Für die praktische Anwendung der erlernten Methoden wird die Statistiksoftware R genutzt.