MASCHINELLES LERNEN & DATAMINING. Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen
|
|
- Nora Kramer
- vor 6 Jahren
- Abrufe
Transkript
1 MASCHINELLES LERNEN & DATAMINING Vorlesung im Wintersemester 2017 Prof. E.G. Schukat-Talamazzini Stand: 25. August 2017 Lehrbereich Informatik Intelligente Systeme Vertiefung Künstliche Intelligenz und Mustererkennung Professur für Musteranalyse Lehrangebot Wintersemester & Sommersemester Inhaltliche Abhängigkeiten STOCHASTISCHE GRAMMATIK- MODELLE 2V M.Sc. WERKZEUGE ( R ) der Mustererkennung und des Maschinellen Lernens 2V/U B.Sc. MUSTERERKENNUNG 4V B.Sc. MASCHINELLES LERNEN UND DATA MINING 4V M.Sc. SPEZIELLE MUSTERANALYSE- SYSTEME 2V M.Sc. Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen SOMMERSEMESTER ASQ und Intelligente Systeme 4V EF Inf. Bachelor Mustererkennung 4V Master Werkzeuge ME/ML Gramma- 2V Stochastische tikmodelle Biometriesysteme (Seminar) 2Ü Statistische Musteranalyse 2S WINTERSEMESTER Literaturarbeit und Präsentation ASQ Strukturiertes Programmieren Maschinelles Lernen und Datamining 2S 4V+2Ü 4V Spezielle Musteranalysesysteme 2V
2 Wie studiere ich MUSTERANALYSE? Studiengänge: Informatik Bioinformatik Angewandte Informatik Maschinelles Lernen & Data Mining Vorlesung der Master-Studiengänge 4V 6 LP Bachelor Mustererkennung 6LP We kzeuge ME/ML 3LP Vertiefungsangebote auf Antrag beim Prüfungsamt: Maschinelles Lernen 6LP Master Maschinelles Lernen 6LP Stochast. Grammatik 3LP Musteranalysesysteme 3LP Nivellierungsmodule auf Antrag beim Prüfungsamt: Mustererkennung 6LP We kzeuge ME/ML 3LP Schwerpunkt KI/ME M.Sc. Comp.Science B.Sc. Informatik Zusatzangebot LG Informatik FS 6 9 Stochastische Grammatikmodelle Vorlesung der Master-Studiengänge 2V 3 LP Spezielle Musteranalysesysteme Vorlesung der Master-Studiengänge 2V 3 LP Schwerpunkt KI/ME M.Sc. Comp.Science Informatik
3 Mustererkennung Vorlesung der Bachelor/Master-Studiengänge 4V 6 LP Werkzeuge Mustererkennung & Maschinelles Lernen Vorlesung der Bachelor/Master-Studiengänge 2V/P 3 LP B.Sc. Informatik B.Sc. Bioinform. B.Sc. Ang.Inform. Pflicht im Anw.fach CNS LG Informatik FS 6 9 B.Sc. Informatik B.Sc. Ang.Inform. B.Sc. Bioinform. Zusatzmodul KI/ME & INT auf Antrag Vorlesung Nutzung der Folienpräsentation Die Folien sollen vom Mitschreiben während der Vorlesung entlasten. Das Mitschreiben wird dadurch nicht überflüssig. Die Folien sind kein Lehrbuch. Die Folien sind daher im allgemeinen nur mit den Erläuterungen während der Vorlesung und entsprechenden eigenen Notizen verständlich.
4 Vorlesung Mathematische Sachverhalte Vorlesung Elektronisches Folienskript Wichtige mathematische Grundlagen werden in Steilkursen wiederholt. Die entsprechenden Fakten sind (oft) im letzten Abschnitt eines Vorlesungsteils dargestellt. Schwierige mathematische Zusammenhänge werden in der Anwendung verständlicher. Umfangreiche mathematische Formeln erscheinen viel harmloser, nachdem man/frau sie einmal programmtechnisch umgesetzt hat. Die PDF-Fassung des Folienskripts enthält einige Hyperlinks: Verweise auf externe Webseiten Detaillierte Zusatzinformationen, Daten, Bilder (funktioniert nicht während der Vorlesung...) Literaturangaben Verweis auf Quellenangaben am Ende des Dokuments Programmcode R -Code zur Erstellung einer Grafik oder Tabelle dot -Code zur Erzeugung eines (gerichteten) Graphen Prüfung Was wird wann wie von wem geprüft? Prüfungsvorgang Mündliches Verhör circa 30 Minuten Prüfungstermine mehr Information Erstprüfung am Mi 14/21 (28) Februar 2018 Wiederholung am Do 5 April 2018 Prüfungsstoff Vorlesungsinhalte in Schrift und Wort
5 Zum Vorlesungsinhalt Form, Zweck & Lernziele Lehrveranstaltungsform Vorlesung (4V) kein Übungsanteil Zulassungsvoraussetzungen keine, aber empfehlenswert: Mustererkennung Themengebiet Zweck Lernziele Explorative Analyse großer Datenmengen mit maschinellen Lernverfahren Verstehen der wichtigsten Konzepte hinter den Schaltflächen einschlägiger Datamining-Systeme Automatische Strukturaufdeckung in Datenbeständen Behandlung numerischer und nichtnumerischer Attribute Zum Vorlesungsinhalt Die Grundrechnungsarten des Dataminings Datenpräparation Akquisition Auswahl Filterung Komplettierung Visualisierung hochdimensionaler oder nichtnumerischer Datensätze Kategorisierung von Objekten unterschiedlicher Attributskalen Gruppierung Vorhersage von Objekten unterschiedlicher Attributskalen verdeckter Attribute oder zukünftiger Objekte Abhängigkeitsstruktur Stärke und Richtung von Attributassoziationen
6 Maschinelles Lernen Tom M. Mitchell. Machine Learning. McGraw-Hill Series in Computer Science. McGraw-Hill, New York, NY, Miroslav Kubat. An Introduction to Machine Learning. Springer, Yuichiro Anzai. Pattern Recognition and Machine Learning. Academic Press, San Diego, CA, Dana H. Ballard. An Introduction to Natural Computation. Complex Adaptive Systems. MIT Press, Cambridge, MA, R. S. Michalski, J. G. Carbonell, and T. M. Mitchell, editors. Machine Learning. An Artificial Intelligence Approach. Symbolic Computation. Springer, Berlin, Paul Fischer. Algorithmisches Lernen. Teubner, Wiesbaden, Data Mining Michael R. Berthold, Christzian Borgelt, Frank Höppner, and Frank Klawonn. Guide to Intelligent Data Analysis. Texts in Computer Science. Springer, J. Han and M. Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann, Max Bramer. Principles of Data Mining. Undergraduate Topics in Computer Science. Springer, Auflage. Thomas A. Runkler. Data Analytics. Models and Algorithms for Intelligent Data Analysis. Springer Vieweg, Thomas A. Runkler. Information Mining. Methoden, Algorithmen und Anwendungen intelligenter Datenanalyse. Computational Intelligence. Vieweg/Gabler, Braunschweig, Michael Berthold and David J. Hand. Intelligent Data Analysis. Springer, Numerisch orientiertes Lernen Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer, Hardcover 60 EUR. Bertrand Clarke, Ernest Fokoue, and Hao Helen Zhang. Principles and Theory for Data Mining and Machine Learning. Springer Series in Statistics. Springer, T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learning. Springer, G. James, D. Witten, T. Hastie, and R. Tibshirani. An Introduction to Statistical Learning. Number 103 in Springer Texts in Statistics. Springer, Alan Julian Izenman. Modern Multivariate Statistical Techniques. Regression, Classification, and Manifold Learning. Springer Texts in Statistics. Springer, Hubert B. Keller. Maschinelle Intelligenz. Grundlagen, Lernverfahren, Bausteine intelligenter Systeme. Computational Intelligence. Vieweg/Gabler, Braunschweig, Statistische Modelle Ludwig Fahrmeir, Thomas Kneib, and Stefan Lang. Regression. Springer, Lucas Drumond. Factorization Models for Multi-Relational Data. Cuvillier Verlag, J. Kreiß and G. Neuhaus. Einführung in die Zeitreihenanalyse. Springer, Peter Bühlmann and Sara van de Geer. Statistics for High-Dimensional Data. Springer Series in Statistics. Springer, John C. Loehlin. Latent Variable Models. Lawrence Erlbaum Assoc Inc, Giovanni Petris, Sonia Petrone, and Patrizia Campagnoli. Dynamic Linear Models with R. Use R! Springer, 2009.
7 Graphische Modelle Graphische Modelle (DAG) Daphne Koller and Nir Friedman. Probabilistic Graphical Models. Principles and Techniques. Adaptive Computation and Machine Learning. MIT Press, Judea Pearl. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann, D.R. Cox and Nanny Wermuth. Multivariate Dependencies. Models, Analysis and Interpretation. Chapman & Hall, Boca Raton, Joe Whittaker. Graphical Models in Applied Multivariate Statistics. John Wiley & Sons, Chichester, Steffen L. Lauritzen. Graphical Models. Oxford Statistical Science Series. Clarendon Press, Oxford, Richard E. Neapolitan. Learning Bayesian Networks. Prentice Hall, Richard E. Neapolitan. Probabilistic Reasoning in Expert Systems. John Wiley & Sons, Russell G. Almond. Graphical Belief Modeling. Chapman & Hall, London, F.B. Jensen. Bayesian Networks and Decision Graphs. Springer, Judea Pearl. Causality. Cambridge University Press, Assoziationsregeln, Warenkorbanalyse, Netzwerkdaten Jean-Marc Adamo. Data Mining for Association Rules and Sequential Patterns. Springer, Paul Alpar and Joachim Niedereichenholz, editors. Data Mining im praktischen Einsatz. Vieweg, Wiesbaden, Alex A. Freitas. Data Mining and Knowledge Discovery with Evolutionary Algorithms. Springer, Chengqi Zhang and Shichao Zhang. Association Rule Mining. Models and Algorithms, volume 2307 of LNCS. Springer, Eric D. Kolaczyk and Gábor Csárdi. Statistical Analysis of Network Data with R. Use R! Springer, Ausgewählte Verfahren ML/DM Lior Rokach and Oded Maimon. Data Mining with Decision Trees, volume 81 of Machine Perception and Artificial Intelligence. Springer, Edition. D. Goldberg. Genetic Algorithms: Search, Optimization and Machine Learning. Addison-Wesley, Reading, MA, V.N. Vapnik. Statistical Learning Theory. Wiley, Michel Neuhaus and Horst Bunke. Bridging the Gap between Graph Edit Distance and Kernel Machines, volume 68 of Series in Machine Perception and Artificial Intelligence. World Scientific, Singapore, A.Hyvarinen, J.Karhunen, and E.Oja. Independent Component Analysis. John Wiley & Sons, Richard S. Sutton and Andrew G. Barto. Reinforcement Learning: An Introduction.
8 Spezielle Anwendungen ML/DM Francesco Camastra and Alessandro Vinciarelli. Machine Learning for Audio, Image and Video Analysis. Springer, Pierre Baldi and Søren Brunak. Bioinformatics. The Machine Learning Approach. Adaptive Computation and Machine Learning. MIT Press, Cambridge, MA, Thorsten Joachims. Learning to Classify Text Using Support Vector Machines. Kluwer Academic Publ., Boston, MA, Reginald Ferber. Information Retrieval. Suchmodelle und Data-Mining-Verfahren für Textsammlungen und das Web. dpunkt.verlag, Paul S.P. Cowpertwait and Andrew V. Metcalfe. Introductory Time Series with R. Use R! Springer, Softwaresysteme Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Auflage. David Edwards. Introduction to Graphical Modelling. Springer Texts in Statistics. Springer, New York, NY, W.N. Venables and B.D. Ripley. Modern Applied Statistics with S. Springer, Brian Everitt and Torsten Hothorn. An Introduction to Applied Multivariate Analysis with R. Use R. Springer, Graham Williams. Data Mining with Rattle and R. Use R. Springer, Søren Højsgaard, David Edwards, and Steffen Lauritzen. Graphical Models with R. Use R! Springer, 2012.
MUSTERERKENNUNG. Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen
MUSTERERKENNUNG Vorlesung im Sommersemester 2016 Prof. E.G. Schukat-Talamazzini Stand: 11. März 2016 Lehrbereich Informatik Intelligente Systeme Vertiefung Künstliche Intelligenz und Mustererkennung Professur
WERKZEUGE DER MUSTERERKENNUNG UND DES MASCHINELLEN LERNENS
WERKZEUGE DER MUSTERERKENNUNG UND DES MASCHINELLEN LERNENS Vorlesung im Sommersemester 2017 Prof. E.G. Schukat-Talamazzini Stand: 5. April 2017 Lehrbereich Informatik Intelligente Systeme Vertiefung Künstliche
INTELLIGENTE SYSTEME. Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen
INTELLIGENTE SYSTEME Sommersemester 2018 Teil Mustererkennung Prof. E.G. Schukat-Talamazzini Stand: 9. April 2018 Zur Lehrbereich Informatik Intelligente Systeme Vertiefung Künstliche Intelligenz und Mustererkennung
STOCHASTISCHE GRAMMATIKMODELLE. Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen
STOCHASTISCHE GRAMMATIKMODELLE Vorlesung im Sommersemester 2015 Prof. E.G. Schukat-Talamazzini Stand: 20. Juli 2015 Lehrbereich Informatik Intelligente Systeme Vertiefung Künstliche Intelligenz und Mustererkennung
SPEZIELLE MUSTERANALYSESYSTEME Schrift- und Spracherkennung mit Hidden-Markov-Modellen
SPEZIELLE MUSTERANALYSESYSTEME Schrift- und Spracherkennung mit Hidden-Markov-Modellen Vorlesung im Wintersemester 2017 Prof. E.G. Schukat-Talamazzini Stand: 25. August 2017 Lehrbereich Informatik Intelligente
Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen
STRUKTURIERTES PROGRAMMIEREN Vorlesung im Sommersemester 2014 Prof. E.G. Schukat-Talamazzini Stand: 15. Oktober 2014 Professur für Musteranalyse Lehrangebot Wintersemester & Sommersemester Meine Lehrveranstaltungen
Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen
STRUKTURIERTES PROGRAMMIEREN Vorlesung im Wintersemester 2017 Prof. E.G. Schukat-Talamazzini Stand: 16. Oktober 2017 Lehrbereich Informatik WP-Bereich Intelligente Systeme Vertiefung Künstliche Intelligenz
Master-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
Modulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
Folien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
Lehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
Mathematisch-algorithmische Grundlagen für Big Data
Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2017
:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5
04.12.2015 16:21 Uhr Modulbeschreibung #1290/1 Seite 1 von 5 Modulbeschreibung Maschinelles Lernen 1 Modultitel: Maschinelles Lernen 1 Machine Learning 1 URL: Leistungspunkte: 9 Sekretariat: Modulsprache:
Einführung in die Didaktik der Informatik D. Engbring mündl.
Bachelor Pflicht BA-INF 021 Lineare Algebra Th. Räsch 02.08.2016/ 9-12 Uhr HS IX+X Hauptg. 12.09.2016/ 9-12 Uhr HS IX+X Hauptg. schriftlich BA-INF 022 Analysis M. Welter 26.07.2016/9.30-11.30Uhr HS IX+X
Vorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
Mustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
Selected Topics in Machine Learning and Reverse Engineering
Selected Topics in Machine Learning and Reverse Engineering Dozenten: Prof. Dr. Fabian Theis Email: theis@ma.tum.de Prof. Dr. Oliver Junge Raum: 02.08.040? Tel.: +49 (89) 289 17987, Email: junge@ma.tum.de
Lars Schmidt-Thieme et al., Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany, 0/13
0/13 Lehrveranstaltungen Wintersemester 2011/2012 WI-Gebiet Anwendungssysteme (teilw.) WI-Gebiet Business Intelligence Informatik-Gebiet KI & Maschinelles Lernen Prof. Dr. Dr. Lars Schmidt-Thieme Information
Business Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
Parallele Rechenmodelle
Organisatorisches und Themenvorstellung, 21. Oktober 2016 Henning Meyerhenke, Moritz von Looz, Roland Glantz 1 Meyerhenke, Looz, Glantz: Institute for Theoretical Computer www.kit.edu Science Termine Bis
Oliver Hinz. Vorlesung Decision Support Systems (Master) Wintersemester 2016/2017
Oliver Hinz Vorlesung Decision Support Systems (Master) Wintersemester 2016/2017 Prof. Dr. Oliver Hinz, Professur für Wirtschaftsinformatik, Fachgebiet Electronic Markets, TU Darmstadt, Hochschulstraße
Vorlesung Künstliche Intelligenz Wintersemester 2009/10
Vorlesung Künstliche Intelligenz Wintersemester 2009/10 Prof. Dr. Gerd Stumme Dipl.-Inform. Björn-Elmar Macek Vorlesung Dienstag, 10:15 11:45 Uhr, Raum 0443 Beginn: 20.10.2009 Vorlesung Mittwoch 14:00
Neue Module, Zuordnungen, Formate von Lehrveranstaltungen
Der Vorsitzende der Prüfungsausschüsse der FIM Prof. Dr. Matthias Kranz Telefon Prof. Dr. Matthias Kranz 0851 509-3081 Sekretariat Telefax 0851 509-3082 E-Mail Matthias.Kranz@uni-passau.de Robert.Offinger@uni-passau.de
Diskrete Strukturen WS 2010/11. Ernst W. Mayr. Wintersemester 2010/11. Fakultät für Informatik TU München
WS 2010/11 Diskrete Strukturen Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ws/ds/ Wintersemester 2010/11 Diskrete Strukturen Kapitel 0 Organisatorisches Vorlesungen:
Informatik-Prüfungsplan (Stand: Nr. 1)
Informatik-Prüfungsplan (Stand: 11.12.18 Nr. 1) Tag Datum Zeit Lehrgebiet Raum Prüfer 1. Woche Montag 28.01.2019 08.00-09.00 41013 (alt:11013) Betriebliches Rechnungswesen (Pflichtfach im 3. Semester WIF-Bsc.)
Vorlesung Formale Aspekte der Software-Sicherheit und Kryptographie Sommersemester 2015 Universität Duisburg-Essen
Vorlesung Formale Aspekte der Software-Sicherheit und Kryptographie Sommersemester 2015 Universität Duisburg-Essen Prof. Barbara König Übungsleitung: Sebastian Küpper Barbara König Form. Asp. der Software-Sicherheit
Support Vector Machines und Kernel-Methoden
Support Vector Machines und Kernel-Methoden Seminar Bernd Bischl und Heike Trautmann Lehrstuhl Computergestützte Statistik Fakultät Statistik TU Dortmund 7. Juli 2010 Trautmann, Bischl (Fakultät Statistik)
Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß
Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche
Softwaretechnik. Überblick I. Prof. Dr. Rainer Koschke. Sommersemester 2007
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Sommersemester 2007 Überblick I 1 Vorbemerkungen Vorbemerkungen: Vorbemerkungen
Softwaretechnik. Prof. Dr. Rainer Koschke. Sommersemester Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Sommersemester 2007 Überblick I 1 Vorbemerkungen Vorbemerkungen: Vorbemerkungen
AC T U AR I AL S C I E N C E
Das ist die Kopfzeile AC T U AR I AL S C I E N C E Frühjahrsemester 2019 Mittelfristiger Lehrplan Masterstudium Actuarial Science Der vorliegende Lehrplan ist mittelfristig angelegt und wird jedes Semester
Institut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
Data Warehousing 0-1. DBS-Module
Data Warehousing Sommersemester 2016 Prof. Dr. E. Rahm Universität Leipzig Institut für Informatik y y y http://dbs.uni-leipzig.de 0-1 DBS-Module Master-Studium Informatik 10-202-2215 Moderne Datenbanktechnologien
Präzisierung zur Absolvierung von Studienschwerpunkten
K 066/926 CURRICULUM ZUM MASTERSTUDIUM WIRTSCHAFTSINFORMATIK Präzisierung zur Absolvierung von Studienschwerpunkten o. Univ.-Prof. DI Dr. Michael Schrefl Institutsvorstand, Institut für Wirtschaftsinformatik
Lehrveranstaltungen SS 2018
Lehrveranstaltungen SS 2018 Grundlagenmodule der Informatik (1. - 4. Fachsemester Bachelor) Einführung Rechnernetze, Datenbanken und Betriebssysteme Leistungspunkte: 5 Vorlesung: Einführung Rechnernetze,
Seminar im Sommersemester 2012 Modellierung kategorialer Daten
LMU München, Institut für Statistik, Seminar für angewandte Stochastik Seminar im Sommersemester 2012 Modellierung kategorialer Daten Prof. Dr. G. Tutz; Dipl.-Stat. M. Oelker; Dipl.-Stat. F. Heinzl; Dipl.-Stat.
Wie läuft das Studium ab?
Wie läuft das Studium ab? Regelstudienzeit 4 Semester Studienumfang 120 ECTS (100 ECTS aus Lehrveranstaltungen + 20 ECTS aus der Masterarbeit) Studienbeginn Wintersemester Abschluss Master of Science (M.Sc.)
Softwaretechnik. Überblick I. Prof. Dr. Rainer Koschke. Sommersemester 2006
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Sommersemester 2006 Überblick I 1 Vorbemerkungen Vorbemerkungen: Vorbemerkungen
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse 1. Einführung 2. Zeitreihenzerlegung und Komponentenmodell (Trend, Saisonbereinigung, Exponentielle Glättung, Korrelogramm, Test auf Autokorrelation) 3. Stochastische
Einführung in die empirische Wirtschaftsforschung. Wintersemester 2017/2018 Syllabus und organisatorische Informationen
Einführung in die empirische Wirtschaftsforschung Wintersemester 2017/2018 Syllabus und organisatorische Informationen Prof. Dr. Almut Balleer Lehr- und Forschungsgebiet Empirische Wirtschaftsforschung
Martin Stetter WS 03/04, 2 SWS. VL: Dienstags 8:30-10 Uhr
Statistische und neuronale Lernverfahren Martin Stetter WS 03/04, 2 SWS VL: Dienstags 8:30-0 Uhr PD Dr. Martin Stetter, Siemens AG Statistische und neuronale Lernverfahren Behandelte Themen 0. Motivation
(Pro-)Seminar - Data Mining
(Pro-)Seminar - Data Mining Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082
VOLKSWIRTSCHAFTSLEHRE I
TECHNISCHE UNIVERSITÄT MÜNCHEN WS 2009/10 Lehrstuhl für Volkswirtschaftslehre Di., 10.15 11.45 Uhr Univ.-Prof. Dr. Robert K. Frhr. von Weizsäcker Hörsaal: 2300 Dr. Marco Sahm, Zi. 2419 Tel.: 089/289-25707,
INTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin
CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin http://ise.wiwi.hu-berlin.de http://www.xplore-stat.de http://www.md-stat.com Grundlagen
Multimedia Communication
Multimedia Communication D Dr. Andreas Kassler Universität Ulm Slide 1 Vorlesung Umfang: 3+1 Bitte um Interaktivität und Diskussionen Termin und Ort: Dienstag 10.00 12.00 h Donnerstag 14.00 16.00 h Jeweils
Titel von Modul/Lehrveranstaltung (lt. Prüfungsordnung der Uni Potsdam für BL BIO SE H 20132) Foundations of Stochastics
Einschätzung für Novelle MuSchG Abschluss: Master of Science(MS) Studienfach: Data Science (DSC) version: Wintersemester 2018/1 rot Belegung für Schwangere verboten gelb Belegung für Schwangere nach Rücksprache
Diskrete Strukturen WS Ernst W. Mayr. Wintersemester Fakultät für Informatik TU München
WS 2011 Diskrete Strukturen Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/ Wintersemester 2011 Diskrete Strukturen Kapitel 0 Organisatorisches Vorlesung: Di 13:45
Wahlmodulkataloge der Kombination Mathematik-Informatik des Bachelor und Master Naturwissenschaftliche Bildung
Wahlmodulkataloge der Kombination Mathematik-Inatik des Bachelor und Master Naturwissenschaftliche Bildung Die Auflistung dieser Wahlmodulkataloge ist nicht abschließend. Anträge zur Erweiterung des Wahlmodulkatalogs
Aktuelle Themen der Angewandten Informatik: Datenkompression Seminar-Unterlagen Sommer Semester 2016
Institut für Informatik Graphische Datenverarbeitung - Proseminar-Unterlagen 1 / 7 Johann Wolfgang Goethe Universität Frankfurt am Main-InformatikDK SS2007 Dr.-Ing The Anh Vuong, Frankfurt - Bielefeld
Lehrveranstaltungsplanung Wintersemester 2015/16
Lehrveranstaltungsplanung Wintersemester 2015/16 BACHELOR Mathematik, Wirtschaftsmathematik, Mathematik Lehramt an Gymnasien und Lehramt Berufliche Schulen 65-091 Mathematische Stochastik / Probability
Modulbeschreibung. Distributed Algorithms. Titel des Moduls: Stand: LP (nach ECTS): 6
Titel des Moduls: Distributed Algorithms Dt.: Verteilte Algorithmen Verantwortlich für das Modul: Heiß, Hans-Ulrich E-Mail: lehre@kbs.tu-berlin.de URL: http://www.kbs.tu-berlin.de/ Modulnr.: 1102 (Version
Master of. Mathematics in Operations Research. Dr. Michael Ritter 27. Oktober Technische Universität München
Master of Mathematics in Operations Research Dr. Michael Ritter 27. Oktober 2016 Technische Universität München Operations Research Operations Research Science of Better Operations Research Science of
INTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
Data Engineering & Statistics
Übergangsbestimmungen für das Bachelorstudium Data Engineering & Statistics an der Technischen Universität Wien von der Studienkommission Informatik beschlossen am 20.9.2006 (1) Sofern nicht anderes angegeben
Lehrveranstaltungen SS 2019
Lehrveranstaltungen SS 2019 Grundlagenmodule der Informatik (1. - 4. Fachsemester Bachelor) Einführung Rechnernetze, Datenbanken und Betriebssysteme Leistungspunkte: 5 Vorlesung: Einführung Rechnernetze,
Verteilte Systeme. SoSe Universität Siegen Tel.: 0271/ , Büro: H-B Stand: 11.
Verteilte Systeme SoSe 2018 Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404 Stand: 11. April 2018 Betriebssysteme / verteilte Systeme Verteilte Systeme (1/14)
Kausalanalyse. Einführung
Kausalanalyse Einführung 1 Gliederung 1. Einordnung in das Curriculum 2. Spezialisierungsmöglichkeiten 3. Teilnahmevoraussetzungen 4. Gliederung der Vorlesung Kausalanalyse "Kausalanalyse" 5. Übung 2 Lehrstuhl
LV Nr. Titel KP Zuständigkeit Rhythmus Bemerkungen Pflichtveranstaltungen FS 18. Wahlveranstaltungen
Frühjahrsemester 2018 Mittelfristiger Lehrplan Masterstudium Actuarial Science Der vorliegende Lehrplan ist mittelfristig angelegt und wird jedes Semester aktualisiert. Detaillierte Informationen zu den
Drahtlose Kommunikation. Organisation
Drahtlose Kommunikation Organisation Dozenten Prof. Dr. Hannes Frey AG Rechnernetze Raum: B 208 Mail: frey@uni koblenz.de Feste Sprechzeiten: Mi 14:00 15:00 oder am besten direkt nach der Vorlesung oder
Seminar Informationssysteme. Prof. Roberto V. Zicari
Seminar Informationssysteme Prof. Roberto V. Zicari Dr. Karsten Tolle, Todor Ivanov, Marten Rosselli, Kim Hee Sommersemester 2017 Termine - Seminar Di. 25.4.2017 Vorbesprechung und Themenausgabe 14:15
Was ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin
CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin http://ise.wiwi.hu-berlin.de http://www.xplore-stat.de http://www.md-stat.com Grundlagen
Grundlagen der Logik und Logikprogrammierung Einleitung
Grundlagen der Logik und Logikprogrammierung Günther Görz Informatik 8 Haberstraße 2, 3.Stock 91058 Erlangen Sprechstunde: Mo. 12-13 goerz@informatik.uni-erlangen.de Friedrich-Alexander-Universität Erlangen-Nürnberg
Advanced Business Intelligence. Advanced Networking. Artificial Intelligence. Campus Offenburg Badstraße 24, 77652
Advanced Business Intelligence Prerequisite english description Hours 4.0 Praktikum Data Mining Nr. E+I2118 Data Mining Nr. E+I2117 Advanced Networking Hours 4.0 Advanced Networking Nr. E+I2103 Praktikum
Modulliste. für den Masterstudiengang. Informatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Informatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Masterstudiengang Informatik (INF) Dieser Masterstudiengang
Themen für Beiträge Seminar Selbstorganisation und Emergenz im Sommersemester 2009 Arbeitsgruppe Datenbionik Prof. Dr.
Themen für Beiträge Seminar Selbstorganisation und Emergenz im Sommersemester 2009 Arbeitsgruppe Datenbionik Prof. Dr. Alfred Ultsch Don t panic! Die Vorträge dürfen auf Deutsch oder Englisch gehalten
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Paul Prasse Michael Großhans
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Paul Prasse Michael Großhans Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. 6 Leistungspunkte
Bio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
Überblick. 4.1 Einleitung 42Cl 4.2 Clustering 4.3 Klassifikation. 4.4 Outlier Detection
Überblick 4.1 Einleitung 42Cl 4.2 Clustering 4.3 Klassifikation 4.4 Einführung in die Informatik: Systeme und Anwendungen SoSe 2013 32 Was ist ein Outlier? Definition nach Hawkins [Hawkins 1980]: Ein Outlier
MA2000 (6) Math. Grundlagen. MA2003 (5) Maß- und Int. MA2004 (5) Vektoranalysis MA2101 (9) Algebra. MA2203 (5) Geo-Kalküle
weitere Pflichtmodule Reine Mathe frühestes Semester: 1. Sem (WiSe) 2. Sem (SoSe) 3. Sem (WiSe) 4. Sem (SoSe) 5. Sem (WiSe) 6. Sem (SoSe) MA1001 (10) Analysis 1 MA1002 (10) Analysis 2 MA2000 (6) Math.
Modulliste. für den Masterstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Wintersemester 2016/2017 Der Masterstudiengang Wirtschaftsinformatik
Seminare und Praktika im Sommersemester 2011
Seminare und Praktika im Sommersemester 2011 Information Systems and Machine Learning Lab (ISMLL) K. Buza, T. Horvath, A. Nanopoulos, L. Schmidt-Thieme Hildesheim, Januar 31, 2011 1 / 1 Übersicht Master-Seminar:
Seminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
Ridge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel
Ridge Regression und Kernalized Support Vector Machines : Einführung und Vergleich an einem Anwendungsbeispiel Dr. Dominik Grimm Probelehrveranstaltung Fakultät für Informatik und Mathematik Hochschule
Einführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
Veranstaltung Nr. Dozent Tag Uhrzeit Raum CPs 1.Termin Einführungsveranstaltung Bioinformatik. Mo Mi Fr.
Stand: 2. September 201 Wintersemester 201/2018 Veranstaltung Nr. zent Tag Uhrzeit Raum CPs 1.Termin Einführungsveranstaltung Bioinformatik 103580 Prof. Dr. 1.10.201 10.15 für alle Bioinformatikstudierenden
Entscheidungsbäume. Minh-Khanh Do Erlangen,
Entscheidungsbäume Minh-Khanh Do Erlangen, 11.07.2013 Übersicht Allgemeines Konzept Konstruktion Attributwahl Probleme Random forest E-Mail Filter Erlangen, 11.07.2013 Minh-Khanh Do Entscheidungsbäume
TU München MSc Elektrotechnik und Informationstechnik (MSEI) Oktober 2018
Vertiefungsempfehlung Drahtgebundene und optische Übertragungstechnik EI74311 Information Theory WS 5 EI5075 Optical Communication Networks SS 6 EI7006 Statistical Signal Processing SS 6 EI7411 Channel
Einführung in die Informatik IV
SS 2006 Einführung in die Informatik IV Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2006ss/info4/ Sommersemester 2006 c Ernst W. Mayr Kapitel 0 Organisatorisches Vorlesungen:
Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 0. Organisatorisches Malte Helmert Universität Basel 16. Februar 2015 Organisatorisches Personen: Dozent Dozent Prof. Dr. Malte Helmert E-Mail: malte.helmert@unibas.ch
Statistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
Informatics Master Programs
Informatics Master Programs T. Huckle Technichal University of Munich Department of Informatics Scientific Computing Garching, 8.6.2018 Overview Master Informatics Master Informatics: Games Engineering
Einführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Stefan Rass System Security Research Group (syssec), Institute of Applied Informatics Alpen-Adria Universität Klagenfurt {stefan.rass}@aau.at 2017 WS 2017-09-29
Vorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik Technische Universität Dortmund 12.11.2013 1 von 39 Gliederung 1 Hinführungen zur SVM 2 Maximum Margin Methode Lagrange-Optimierung
Aktuelle Themen der Angewandten Informatik: Datenkompression
Seminar-Unterlagen Sommer Semester 2014 - Proseminar-Unterlagen 1 / 7 Johann Wolfgang Goethe Universität Frankfurt am Main-InformatikDK SS2007 Dr.-Ing The Anh Vuong, Frankfurt - Bielefeld 2007. Änderungen
Website. Vorlesung Statistisches Lernen. Dozenten. Termine. Einheit 1: Einführung
Website Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig (Aktuelle) Informationen
Proseminar Visualization of Text and Physics
Proseminar Visualization of Text and Physics Themenvorstellung Sommersemester 2015 Dr. Hubert Mara, Dr. Filip Sadlo Allgemeine Infos Infos zum Seminar Homepage (http://www.mathcomp.uni heidelberg.de/index.php?id=314)
Vorlesung Statistisches Lernen
Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 20 Organisatorisches
Vorlesung Modellierung nebenläufiger Systeme Sommersemester 2014 Universität Duisburg-Essen
Vorlesung Modellierung nebenläufiger Systeme Sommersemester 2014 Universität Duisburg-Essen Barbara König Übungsleitung: Sebastian Küpper Barbara König Vorlesung Modellierung nebenläufiger Systeme 1 Das
Erste Schritte mit R. 2.1 Herunterladen der freien Software R
Erste Schritte mit R 2 BevorwirunsmitdeninKap.1 eingeführten Fragestellungen beschäftigen, brauchen wir noch ein Werkzeug, um die Datensätze später wirklich auswerten zu können. Sicher lässt sich das in
Mehrrechner-Datenbanksysteme (Verteilte und Parallele DBS)
Mehrrechner-Datenbanksysteme (Verteilte und Parallele DBS) Prof. Dr. E. Rahm Wintersemester 2017/2018 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de WS17/18, Prof. Dr. E. Rahm 0-1