Modul 39-Inf-DI Data Integration
Fakultät
Modulverantwortliche/r
Turnus (Beginn)
Jedes Sommersemester
Leistungspunkte und Dauer
5 Leistungspunkte
Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.
Kompetenzen
Die Studierenden erlernen in den Vorlesungen und Übungen heterogener Datenquellen, d. h. die Kombination von Daten aus verschiedenen Datenquellen, zu integrieiren, um eine globale Sicht auf eine Menge von relevanten Entitäten zu erhalten, was eine der großen Herausforderungen im Datenmanagement, insbesondere im Big Data-Zeitalter ist, da diese Integration den Schlüssel darstellt um mit Vielfalt umzugehen. Das Problem wird seit Jahrzehnten betrachtet und dieses Modul behandelt Grundlagen der Datenintegration sowie algorithmische und systemische Aspekte. Das Modul beinhaltet eine Klausur zu Semesterende.
Students learn in the lectures and are the exercise courses how to integrate heterogeneous data sources, i.e. how to combine data residing in different data sources to obtain a global view of the data relating to relevant entities, which represents one of the major challenges in data management especially in the Big Data era as this integration is key to addressing the issue of variety. The problem has been considered for decades, and the lectures will cover foundations of data integration as well as algorithmic and system aspects. The module includes an exam at the end of the term.
Lehrinhalte
Lehrinhalte:
- Arten der Datenintegration und zugehörige Architekturen von Datenintegrationssystemen
- Überwindung schematischer Heterogenitäten zwischen integrierten Datenquellen (Schema- und Ontologie-Mapping sowie Schema- und Ontologie-Matching)
- Datendeduplikation, -fusion und -kuration
- Mitführen der Datenherkunft während der Integration
- Ontologie-basierte Datenintegration
- Entitätserkennung und -verlinkung
- Informationsextraktion aus Texten (Entitätserkennung und -verknüpfung, Relationsextraktion)
- Informationsextraktion aus Web-Tabellen
Topics covered in this module:
- Types of data integration and associated architectures of integrating systems
- Overcoming schematic heterogeneities between integrated data sources (schema/ontology mapping and schema/ontology matching)
- Data de-duplication, fusion and curation
- Keeping track of the integration process through data provenance.
- Ontology-based data integration
- Entity matching / record linkage
- Information extraction from text (entity recognition and linking, relation extraction)
- Information extraction from Web tables
Empfohlene Vorkenntnisse
—
Notwendige Voraussetzungen
—
Erläuterung zu den Modulelementen
Modulstruktur: 1 bPr 1
Veranstaltungen
| Titel | Art | Turnus | Workload (Kontaktzeit + Selbststudium) | LP2 |
|---|---|---|---|---|
| Data Integration | Vorlesung | SoSe | 60h (30 + 30) | 2 [Pr] |
| Data Integration | Übung | SoSe | 60h (30 + 30) | 2 |
Prüfungen
| Organisatorische Zuordnung | Art | Gewichtung | Workload | LP2 |
|---|---|---|---|---|
|
Data Integration
(Vorlesung)
Portfolio aus Übungs- oder Programmieraufgaben, die veranstaltungsbegleitend und in der Regel wöchentlich gestellt werden, und Abschlussklausur (60 Minuten) oder mündlicher Abschlussprüfung (in der Regel 15 min). Die Übungsaufgaben ergänzen und vertiefen den Inhalt der Vorlesung. Portfolio consisting of per default weekly exercises or programming tasks and final written exam (per default 60 minutes) or final oral exam (per default 15 minutes). The exercises are based on the content of the lecture and enable students to train and further investigate the topics. It is required that a sufficient percentage of the exercises are successfully completed (per default 50% of the total number of points which can be achieved during a semester). The final oral exam concerns both, the content of the lecture as well as the exercises. |
Portfolio mit Abschlussprüfung | 1 | 30h |
1
|
In diesen Studiengängen wird das Modul verwendet:
| Studiengang | Profil | Empf. Beginn 3 | Dauer | Bindung 4 |
|---|---|---|---|---|
| Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019 und 02.03.2020] | Variante 1 | 2. | ein Semester | Wahlpflicht |
| Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019 und 02.03.2020] | Variante 2 | 2. | ein Semester | Wahlpflicht |
Automatische Vollständigkeitsprüfung
In diesem Modul kann eine automatische Vollständigkeitsprüfung vom System durchgeführt werden.
Legende
- 1
- Die Modulstruktur beschreibt die zur Erbringung des Moduls notwendigen Prüfungen und Studienleistungen.
- 2
- LP ist die Abkürzung für Leistungspunkte.
- 3
- Die Zahlen in dieser Spalte sind die Fachsemester, in denen der Beginn des Moduls empfohlen wird. Je nach individueller Studienplanung sind gänzlich andere Studienverläufe möglich und sinnvoll.
- 4
- Erläuterungen zur Bindung: "Pflicht" bedeutet: Dieses Modul muss im Laufe des Studiums verpflichtend absolviert werden; "Wahlpflicht" bedeutet: Dieses Modul gehört einer Anzahl von Modulen an, aus denen unter bestimmten Bedingungen ausgewählt werden kann. Genaueres regeln die "Fächerspezifischen Bestimmungen" (siehe rechtes Menü).
- SL
- Studienleistung
- Pr
- Prüfung
- bPr
- Anzahl benotete Modul(teil)prüfungen
- uPr
- Anzahl unbenotete Modul(teil)prüfungen
-
- Diese Leistung kann gemeldet und verbucht werden.