Zum Inhalt springenZur Hauptnavigation springenZur Suche springen

Big-Data-Technologien II

Modul im Masterstudiengang Informatik und IT-Management (M.Sc.)


Qualifikationsziele

Die Studierenden sollen in der Lage sein,

  • typische Problemstellungen der subsymbolischen Daten- und Wissens­techno­lo­gien zu analysieren,
  • Prozessschritte für die adaptive Datenanalyse zu konzipieren,
  • Methoden der Prozessschritte zu verstehen und anzuwenden,
  • Methoden der Validierungsanalyse zu verstehen und anzuwenden,
  • Grundannahmen und Modelle der empirischen Inferenz zu kennen,
  • einige mathematische Hintergründe der empirischen Inferenz zu kennen.

Modulaufbau

1. Einführung

  • Fünf Typen der statistischen Inferenz
  • Anwendungsbeispiele
  • Prozesskette
  • Postulate

2. Vorverarbeitung und Merkmalsextraktion

  • Zielstellung
  • Methoden
  • Bewertung
  • Beispiele
  • Merkmalstypen
  • Distanzmaße

3. Cluster-Analyse

  • Agglomerative, hierarchische Cluster-Analyse
  • Prototypvektorbasierte Cluster-Analyse
  • Fuzzy-Clusteranalyse
  • Neuronale Netze: Selbstorganisierende Merkmalskarten
  • Netze: Wachsende Zellstrukturen
  • Anwendungsbeispiele

4. Diskriminanzanalyse Ad-hoc Entscheidungsregeln

  • Vergleich mit Idealmustern (template matching)
  • Optimaler Klassifikator - Bayessche Entscheidungstheorie
  • Parametrische Methoden der Klassifikatoren
  • Nichtparametrische Methoden der Klassifikatoren
  • Lineare Diskriminanzanalyse
  • Neuronale Netze: Fehlerrückführungs-Lernen
  • Neuronale Netze: Prototypvektorbasiertes Lernen
  • Stützvektormaschinen
  • Anwendungsbeispiele

5. Validierungsanalyse

  • Adaptivität und Generalisierungsfähigkeit
  • Cluster-Validierung
  • Wahrheitsmatrix
  • Wiederholtes Erzeugen von Stichproben (Resampling)
  • Kreuzvalidierung
  • Grenzwertoptimierungsanalyse
  • Anwendungsbeispiele

6. Regression und Prädiktion

  • Lineare und generalisierte, lineare Regression
  • Neuronale Netze: Radiale Basisfunktionsnetze
  • Kernfunktionsbasierte Regression
  • Gaußsche Prozesse
  • Lineare, adaptive Filter
  • Nichtlineare, adaptive Filter
  • Anwendungsbeispiele

7. Tiefe Lernstrukturen (deep learning) Repräsentationslernen

  • Autoassoziationsnetzwerke (deep auto-encoder)
  • Restriktive Boltzmann-Maschinen
  • Anwendungsbeispiele


Studienberatung


Bei Fragen zum Modul oder Studium steht Ihnen Frau Köhler gerne als Ansprechpartnerin zur Verfügung.

Anke Köhler

Hochschule Schmalkalden
Asbacher Str. 17c
98574 Schmalkalden

Telefon: 03683 688 - 1740
Telefax: 03683 688 - 1927 

E-Mail schreiben