Studieninformation
Hintergrundbild
Hintergrundbild
Hintergrundbild
Druckversion  Sprachumschaltung
 

Modul 39-M-Inf-ADA Advanced Data Analysis

Fakultät

Modulverantwortliche/r

Turnus (Beginn)

Mindestens jedes 2. Wintersemester

Leistungspunkte und Dauer

5 Leistungspunkte

Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.

Kompetenzen

In diesem Modul lernen Studierende die Modellierung komplexer Sachverhalte mit fortgeschrittenen Techniken und Methoden der Datenanalyse. Dieses beinhaltet insbesondere, wie man in komplexen Situationen mit unklarer Aufgabenstellung durch Wahl einer geeigneten Strukturierung nützliche Information effizient aus gegebenen Daten extrahieren kann, und wie diese grundständigen Ideen zu konkreten Algorithmen und zugrundeliegenden Garantien formalisiert werden können.

Within this module, students learn how to model complex tasks by means of advanced techniques and methods of data analysis. This includes in particular the question how useful information can be extracted in complex settings without a clear specified objective, and how such basic mathematical models with suitable regularisation or prior can be turned towards efficient algorithms and accompanying theoretical guarantees.

Lehrinhalte

In diesem Modulen sollen moderne Verfahren der automatischen Datenanalyse betrachtet werden, wobei ein besonderer Aspekt auf die Effizienz der Darstellung, der Formalisierung, bzw. der Algorithmen selber gelegt wird. Themen sind der aktuellen Literatur entnommen, und beinhalten etwa Aspekte zu slow feature analysis, sparse coding und compressed sensing, core vector machines, time series metrics, und Gaussian processes.

Within this module, the focus lies on modern techniques for automated data analysis with a particular focus on its efficient representation, formalisation, and algorithmic realisation. Topics are taken from the recent research literature, touching on aspects such as slow feature analysis, sparse coding and compressed sensing, core vector machines, time series metrics, and Gaussian processes.

Empfohlene Vorkenntnisse

Grundkenntnisse in Algorithmen und Datenstrukturen oder vergleichbare Kenntnisse, Mathematik, Grundlagen des maschinellen Lernens oder der Mustererkennung

Introduction to computer science (such as algorithms and data structures), mathematics, basic knowledge in machine learning or pattern recognition

Notwendige Voraussetzungen

Erläuterung zu den Modulelementen

Die Modul(teil)prüfung kann in einigen Studiengängen nach Wahl der Studierenden auch "unbenotet" erbracht werden. Vor Erbringung ist eine entsprechende Festlegung vorzunehmen, eine nachträgliche Änderung (benotet - unbenotet) ist ausgeschlossen. Wird diese Option gewählt, ist es nicht möglich, dieses Modul zu verwenden, um es in einen Studiengang einzubringen, in dem dieses Modul bei der Gesamtnotenberechnung berücksichtigt wird.

Modulstruktur: 0-1 bPr, 0-1 uPr 1

Veranstaltungen

Titel Art Turnus Workload (Kontaktzeit + Selbststudium) LP2
Modern Data Analysis Projekt o. Übung Mindestens jedes 2. Wintersemester 30h (30 + 0) 1
Modern Data Analysis Vorlesung Mindestens jedes 2. Wintersemester 60h (30 + 30) 2

Prüfungen

Organisatorische Zuordnung Art Gewichtung Workload LP2
Veranstaltungsübergreifend

In einigen Studiengängen der Technischen Fakultät kann die Modulprüfung nach Wahl der Studierenden auch "unbenotet" erbracht werden (s. Erläuterungen zu den Modulelementen und die jeweilige FsB). Wird die unbenotete Option gewählt, ist es nicht möglich, dieses Modul zu verwenden, um es in einen Studiengang einzubringen, in dem dieses Modul bei der Gesamtnotenberechnung berücksichtigt wird.
Erläuterungen zu dieser Prüfung siehe unten (benotete Prüfungsvariante).

Portfolio mit Abschlussprüfung unbenotet 60h 2
Diese Leistung kann gemeldet und verbucht werden.
Veranstaltungsübergreifend

Portfolio aus Übungs- oder Programmieraufgaben, die veranstaltungsbegleitend und in der Regel zweiwöchentlich gestellt werden, und mündlicher Abschlussprüfung (in der Regel 15 min). Die Übungsaufgaben ergänzen und vertiefen den Inhalt der Vorlesung.
Nachweis einer ausreichenden Zahl korrekt gelöster Übungsaufgaben (in der Regel 50% der im Semester für das Lösen der Aufgaben erzielbaren Punkte).
Die abschließende mündliche Prüfung bezieht sich auf den Stoff der Vorlesung und der Übungen bzw. Projekt.

Portfolio consisting of per default two-weekly exercises or programming tasks and 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 60h 2
Diese Leistung kann gemeldet und verbucht werden.

In diesen Studiengängen wird das Modul verwendet:

Studiengang Profil Empf. Beginn 3 Dauer Bindung 4
Bioinformatik und Genomforschung / Master of Science [FsB vom 30.09.2016 mit Änderungen vom 15.09.2017 und 02.05.2018] 1. o. 3. ein Semes­ter Wahl­pflicht
Bioinformatik und Genomforschung / Master of Science [FsB vom 17.12.2012 mit Änderungen vom 15.04.2013, 15.10.2014, 02.03.2015, 17.08.2015 und Berichtigungen vom 17.11.2014 und 01.12.2015] 1. o. 2. o. 3. ein Semes­ter Wahl­pflicht
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderung vom 01.07.2019] Variante 1 3. ein Semes­ter Wahl­pflicht
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderung vom 01.07.2019] Variante 2 3. ein Semes­ter Wahl­pflicht
Intelligente Systeme / Master of Science [FsB vom 27.07.2018] 1. o. 2. o. 3. ein Semes­ter Wahl­pflicht
Intelligente Systeme / Master of Science [FsB vom 17.12.2012 Änderungen vom 15.04.2013, 01.04.2014,15.10.2014, 02.03.2015 und Berichtigung vom 17.11.2014] 1. o. 2. o. 3. ein Semes­ter Wahl­pflicht
Naturwissenschaftliche Informatik / Master of Science [FsB vom 30.09.2016 mit Berichtigung vom 10.01.2017 und Änderungen vom 15.09.2017 und 02.05.2018] 1. o. 2. o. 3. ein Semes­ter Wahl­pflicht
Naturwissenschaftliche Informatik / Master of Science [FsB vom 17.12.2012 mit Änderungen vom 15.04.2013, 01.04.2014, 15.10.2014, 02.03.2015, 01.12.2015 und Berichtigungen vom 01.04.2014, 17.11.2014 und 12.07.2017] 1. o. 2. o. 3. 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.
Diese Leistung kann gemeldet und verbucht werden.