Es gibt u.U. ein aktuelleres Nachfolgemodul. Bitte informieren Sie sich.
Maschinenbau, Master (PO-2023)
| Modulnummer / Modulcode | WP-TempSpatDM |
|---|---|
| Modulname | Temporal and Spatial Data Mining |
| Art des Moduls | Wahlpflicht |
| Lernergebnisse, Kompetenzen, Qualifikationsziele | Der/die Studierende kann verschiedene Aufgaben, Modelle und Algorithmen des Spatio-Temporal Data Mining erklären, neue Modellierungsansätze für Probleme wie Zeitreihenklassifikation, Anomalieerkennung, Motiverkennung u.a. entwickeln, neue Anwendungen eigenständig planen und realisieren, existierende Verfahren und Anwendungen kritisch hinterfragen, vergleichen und bewerten. |
| Lehrveranstaltungsarten | VLmP (3 SWS), Ü (1 SWS) |
| Lehrinhalte | Grundlagen der Mustererkennung in Zeitreihen (Sensorsignale); räumlich verteilt erfassten Daten (Sensornetzen); Grundlagen: Segmentierung von Zeitreihen, Korrelation von Daten, Merkmale zur Beschreibung temporaler/räumlicher Daten; Abstandsmessung von Zeitreihen; Clustering/Klassifikation; Motiverkennung; Anomalieerkennung mit verschiedenen Techniken: Nearest Neighbor, Neuronale Netze, Support Vector Regression; Beispielanwendungen: Unterschrif-tenverifikation, kollaborative Gefahrenwarnung in Fahrzeugen, Aktivitätserkennung, u.a. |
| Titel der Lehrveranstaltungen | Temporal and Spatial Data Mining |
| Lehr- und Lernmethoden (Lehr- und Lernformen) | Frontalunterricht in Vorlesung, Einzel- und Teamarbeit in Übungen, Rechnerübungen (u. a. mit Jupyter Notebooks), angeleitete Präsentation von Lösungen durch Studierende |
| Verwendbarkeit des Moduls | Master Informatik, Master Environmental Informatics, Master Mechatronik, Master Maschinenbau, Master Mathematik (Nebenfach Informatik) |
| Dauer des Moduls | Ein Semester |
| Häufigkeit des Angebotes | siehe Vorlesungsverzeichnis |
| Sprache | Deutsch / Englisch |
| Empfohlene (inhaltliche) Voraussetzungen für die Teilnahme am Modul | Grundkenntnisse Stochastik, Analysis und lineare Algebra |
| Voraussetzungen für die Teilnahme am Modul | keine |
| Studentischer Arbeitsaufwand | 180 Stunden (60h Präsenz + 120h Selbststudium) |
| Studienleistungen | Studienleistung S1: Regelmäßige Bearbeitung von Übungsaufgaben |
| Voraussetzung für Zulassung zur Prüfungsleistung | Studienleistung S1 |
| Prüfungsleistungen | Klausur (120 Min.) oder mündliche Prüfung (20 Min.) |
| Anzahl Credits (ECTS) | 6 cp |
| Lehreinheit | Informatik |
| Modulverantwortliche/r | Prof. Dr. Bernhard Sick |
| Lehrende | Prof. Dr. Bernhard Sick und Mitarbetende |
| Medienformen | Folien, Tafel, Übungsblätter, Rechnerübungen, wissenschaftliche Veröffentlichungen |
| Literatur | Folien zur Vorlesung, Auszüge aus folgenden Büchern:
Weitere Literatur zu bestimmten Algorithmen wird in der Vorlesung bekannt gegeben |