Uni Wien:Foundations of Data Analysis VU (Plant)

Aus VoWi
Zur Navigation springen Zur Suche springen

Daten[Bearbeiten | Quelltext bearbeiten]

Vortragende Claudia Plant, Christian Böhm, Moritz Grosse-Wentrup, Akshey Kumar, Anja Meunier, Martin Teuffenbach, Dominik Patrik Repas
ECTS 6,00 / 4,00
Aufgezeichnet teilweise (siehe Abschnitt Vortrag)„teilweise (siehe Abschnitt Vortrag)“ ist kein Wahrheitswert (wahr/falsch).
Sprache English
Links ufind:052300
Zuordnungen
Master Wirtschaftsinformatik Modul Informatik (Pflichtfach)
Master Computational Science Modul Specialisation (Gebundenes Wahlfach)
Bachelor Informatik Modul Data Analysis (Gebundenes Wahlfach)
Master Informatik Modul Data Analysis (Gebundenes Wahlfach)
Master Medieninformatik Modul Erweiterung Medieninformatik (Gebundenes Wahlfach)


Inhalt[Bearbeiten | Quelltext bearbeiten]

Teil Supervised Learning:

  • Regressions
  • Classification
  • Decision Trees
  • Neural Networks
  • Stochastic Gradient Descent
  • Method Validation

Teil Unsupervised Learning:

  • Association rules
  • Apriori and FP Growth Algorithms
  • Matrix Factorization
  • Dimensionality Reduction
  • Clustering
  • Outlier Detection
  • Method Validation

Ablauf[Bearbeiten | Quelltext bearbeiten]

1. Teil Supervised Learning (betreut von Moritz Grosse-Wentrup)

  • Vorlesungsteil: Lernvideos mit handgeschriebenen Notizen und darauf folgende Review Sessions
  • Übungsteil: die Aufgaben (Pen & Paper und Lab) werden nacheinander auf Moodle hochgeladen. Es gibt ca. je 2-3 Wochen Zeit diese zu lösen.
  • Bonus Quizes: die sind mit den Lernvideos gepostet und sind bis zu dem zugehörigen Review Session zu lösen
  • Am Ende dieses Teils gibt es den Midterm Exam.

2. Teil Unsupervised Learning (betreut von Claudia Plant)

  • Vorlesungsteil: Vorlesungen mit Folien
  • Übungsteil: die Aufgaben (Pen & Paper und Lab) werden am Anfang dieses Teils hochgeladen und man hat ca. 1,5 Monaten Zeit diese zu lösen. Beim Lab gibt es einen Einreichungsteil (gelöste Aufgaben hochladen) und einen Bewertungsteil (Peer-Reviews mit kürzeren Deadlines).
  • Bonus Quizes: die sind je nach der Vorlesungen gepostet und man hat ca. eine Woche Zeit diese zu Lösen.
  • Am Ende dieses Teils gibt es den Endterm Exam.

Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten | Quelltext bearbeiten]

Anmeldevoraussetzungen:

Empfehlenswerte Vorkenntnisse:

Vortrag[Bearbeiten | Quelltext bearbeiten]

Teil Supervised Learning:

  • Materialien: Lernvideos (je ca. 20-40 Min), handgeschriebene Notizen, Bonus Quizzes
  • Die Review Sessions (2x1,5 Stunden/Woche) sind vor Ort und nicht aufgezeichnet.

Teil Unsupervised Learning:

  • Die Vorlesungen (2x1,5 Stunden/Woche) werden hybrid gehalten und aufgezeichnet. Es gibt manchmal kleine Aufgaben (ca. 5-10 Min), die gelöst und besprochen werden.
  • Materialien: Folien, Aufzeichnungen der Vorlesungen, Bonus Quizzes

Es gibt keine Anwesenheitspflicht, aber es ist sehr empfohlen, die Review Sessions/Vorlesungen zu besuchen.

Übungen[Bearbeiten | Quelltext bearbeiten]

Teil Supervised Learning:

  • Pen & Paper: weiterführende Aufgaben (2x4 Aufgaben im SS22), die den Lernstoff ergänzen, aber mit den Notizen und gegebenenfalls erlaubten Quellen lösbar sind.
  • Lab: Kaggle-artige Challenges in Python (z.B. Image Classification mit existierenden Frameworks wie Keras)

Teil Unsupervised Learning:

  • Pen & Paper: verschiedene Aufgaben (19 Aufgaben im SS22) die den Gesamtstoff größtenteils abdecken. Die Aufgaben sind sehr ähnlich zu den Aufgaben der Endterm Exam.
  • Lab: (Es gibt 2 Phasen.)
    • Einreichungsphase (90% der Punkte): Es gibt 3 längere Aufgaben, die in Python zu lösen sind. Mögliche Aufgaben: Clustering von Daten (mit gegebenen Python libraries) + Interpretation der Ergebnisse, Implementation von Algorithmen aus den Folien (z.B. Apriori, PCA), Lösung von Aufgaben mit gegebenen Python libraries/eigene Methoden, Dimensionality Reduction und Scaling, usw.
    • Bewertungsphase (10% der Punkte): Man gibt Feedback auf die Lösungen 2 anderer Studierenden.

Prüfung, Benotung[Bearbeiten | Quelltext bearbeiten]

  • 50% Examen (2x25%)
  • 50% Assignments (Pen & Paper: 2x5%, Lab: 2x18%, Feeedbacks: 3x1%, Mathematical Prerequisites: 1%)
  • 10% Bonuspunkte (Bonus Quizzes: 5% pro Teil)

Um die LV positiv abzuschließen, braucht man mind. 30% der Punkte der Examen, 30% der Punkte der Assignments und 40% der Gesamtpunkte.

Dauer der Zeugnisausstellung[Bearbeiten | Quelltext bearbeiten]

Semester Letzte Leistung Zeugnis
SS22 01.07.2022 08.07.2022 1 Woche

Zeitaufwand[Bearbeiten | Quelltext bearbeiten]

Die Mindestanforderungen für eine positive Note sind sehr niedrig, aber alle Aufgaben zu lösen und sehr gründlich für die Examen vorzubereiten kann schon viel Zeit verbrauchen.

Man hat bei manchen Programmierungsaufgaben die Möglichkeit, viel zu recherchieren und andere, in der Vorlesungen nicht besprochene Methoden zu verwenden.

Unterlagen[Bearbeiten | Quelltext bearbeiten]

noch offen

Tipps[Bearbeiten | Quelltext bearbeiten]

  • Mit den Bonus Quizzes kann man leicht Punkte bekommen und die sind auch für das Lernen (Einschätzung ob man den Stoff verstanden hat) und für die Examen sehr hilfreich.
  • Bei den Pen & Paper Aufgaben und Examen wird vor allem das Logik geprüft (praktische Aufgaben), es reicht also nicht, das Lernmaterial auswendig zu lernen.
  • Obwohl es im Teil Unsupervised Learning viel Zeit für das Lösen der Assignments zur Verfügung steht, es ist sehr empfohlen diese so früh wie möglich zu lösen. (bessere Zeiteinteilung, mehr Zeit für Nachfragen)
  • Die Prüfung im ersten Teil ist open book, aber wenn man die Logik hinter das Lernmaterial nicht versteht, sind die Unterlagen nicht so hilfreich und es gibt auch nicht so viel Zeit für das Suchen in den Unterlagen.

Verbesserungsvorschläge / Kritik[Bearbeiten | Quelltext bearbeiten]

noch offen

Materialien

Diese Seite hat noch keine Anhänge, du kannst aber neue hinzufügen.