Time: Wednesday, 3. DS (11:10 to 12:40)
Location: Probably Zoom
Quantity: 2V/2Ü/0P SWS
Language: German
Modules: D-WW-INF-3421, D-WW-INF-3422, D-WW-INF-3423, INF-04-FG-AVS, INF-B-510, INF-B-520, INF-B-530, INF-B-540, INF-BAS4, INF-BI-2, INF-LE-WW, INF-VERT4, MINF-04-FG-IAS, WI-MA-08-01, WI-MA-09-01

News

  • Die Vorlesung am 26.05. fällt wegen der Pfingstwoche aus.
  • Die Vorlesung am 05.05. fällt wegen des Dies Academicus aus.
  • Die erste Veranstaltung findet am Mittwoch den 14.04. statt. Der Zoom-Link zur Veranstaltung wird kurz vorher  hier bekannt gegeben. Am Montag den 12.04. gibt es noch keine Übung.
  • Für die Lehrveranstaltung ist keine Einschreibung notwendig.

About

Der Begriff “Data Science” ist zu einem wichtigen Schlagwort im Umgang mit großen Datenmengen geworden. Data Scientists handhaben und analysieren große Datenmengen um daraus Informationen zu generieren und Handlungsempfehlungen abzuleiten, die Organisationen befähigen effizienter zu arbeiten. Um dies zu erreichen, werden verschiedene Analysetools und Methoden genutzt, die aus unübersichtlichen Datenmengen wertvolle Informationen extrahieren, aus denen anschließend Hypothesen abgeleitet werden.

Die Vorlesung gibt einen Ende-zu-Ende Einblick in den Data Science Prozess. Im ersten Teil der Vorlesung werden Grundlagen des Data Management vermittelt.  Es wird aufgezeigt wie große dynamische Datenbestände integriert, konsolidiert und letztendlich für komplexe Analyseaufgaben genutzt werden können. Dabei werden insbesondere die Themen Data Warehousing, multidimensionalen Modellierung und relationale Abbildung behandelt. Aufbauend darauf werden komplexe Datenmodelle, z.B. Graphen und visuelle Analysen als Mittel zur Dateninterpretation besprochen. Der zweite Teil der Vorlesung behandelt Methoden der Datenanalyse. Dies umfasst klassische statistische Verfahren wie Klassifikation, Clustering und Forecasting sowie Machine Learning Verfahren wie neuronale Netze. Neben den Methoden an sich, werden ebenfalls moderne Analysewerkzeuge zu deren Anwendung vorgestellt. Die theoretischen Inhalte der Vorlesungen werden durch praktische Übungen ergänzt.

Skript zur Vorlesung

Teil Inhalt Acrobat/PDF Video
00 Prolog pdf
01 Integration approaches & DWH architecture pdf Lecture 1
02 Multidimensional Modelling pdf Lecture 2
03 Analytic Tools pdf python-code R-code Lecture 3
04 Visual Analytics pdf Lecture 4
05 Statistics pdf Lecture 5
06 Optimization pdf Lecture 6
07 Clustering pdf Lecture 7
08 Association Rule Mining pdf Lecture 8
09 Classification and Regression pdf Lecture 9
10 Time Series Analytics pdf Lecture 10
11 Forecasting pdf Lecture 11
12 Neural Networks pdf Lecture 12 I
Lecture 12 II
A Epilog pdf

Kontakt

Schreiben Sie uns eine E-Mail an: sya-db-dia@groups.tu-dresden.de