TU Wien:Data Mining VO (Merkl)
Daten[edit | edit source]
| Lecturers | Dieter Merkl, Allan Hanbury, Andreas Rauber |
|---|---|
| ECTS | 3 |
Inhalt[edit | edit source]
- Clustering
- überwachte und unüberwachte Lernverfahren
- Evaluierung
- Klassifizierung
- Support Vector Machines
- Decision Trees
Ablauf[edit | edit source]
Die Vorlesung wird geblockt ab Ende April abgehalten.
Benötigte/Empfehlenswerte Vorkenntnisse[edit | edit source]
Statistik und Wahrscheinlichkeitstheorie (nicht notwendig, dafür hängt man dann nicht an unbekannten Formeln)
Vortrag[edit | edit source]
Jeder der LVA-Leiter hält mindestens eine Vorlesung. Die Folien sind recht übersichtlich, leider sind manche von ihnen übernommen worden und haben grün/blaue Schrift auf schwarzem Hintergrund.
Da die Statistik eine maßgebende Disziplin im Data Minig darstellt, wird auch darauf eingegangen. Es werden aber keine unmenschlichen Vorkenntnisse verlangt, sondern sogar die Formeln für Varianz/Normalverteilung/etc. durchgegangen. Interesse dazu sollte man sicher mitbringen.
Obwohl die Vorlesungen jeweils mit drei Stunden angesetzt werden, hat keine länger als zwei davon gedauert. Es lohnt sich hinzugehen, da der Stoff nicht besonders kompliziert ist und beim Vortrag mitlernen sich lohnt.
Prüfung, Benotung[edit | edit source]
Die Prüfung ist ein Multiple Choice Test mit 10 Fragen. Im Gegensatz zu den von Hanbury auf seinen Folien vorhandenen Beispielfragen gestalten sich die echten Prüfungsfragen aber noch viel unkomplizierter und einfacher. Ohne Denken kommt man aber nicht weit, da nicht nur in den Unterlagen vorhandene Floskeln abgefragt werden, sondern auch Verständnis.
In den Materialien befindet sich ein mehr oder weniger vollständiger Test aus dem Gedankenprotokoll einiger Prüflinge.
Zeitaufwand[edit | edit source]
Moderat, wer während des Semesters in der Vorlesungen schon mitgedacht hat, dem genügt für die Prüfung wohl die Folien ein paar Mal durchzugehen.
Tipps[edit | edit source]
Die Vorlesung besuchen und die Folien genau lesen, um Definitionsverwechslungen zu vermeiden.