Modul Data Mining 2

Code:	132300
Modul:	Data Mining 2
Module title:	Data Mining 2
Version:	1.0 (12/2009)
letzte Änderung:	04.09.2024
Modulverantwortliche/r:	Prof. Dr.-Ing. ten Hagen, Klaus k.tenhagen@hszg.de

angeboten in den 3 Studiengängen:	Informatik (M.Sc.) gültig ab Matrikel 2018
	Informatik (M.Sc.) gültig ab Matrikel 2020
	Informatik (M.Sc.) gültig ab Matrikel 2024

Modul läuft im:	WiSe (Wintersemester)
Niveaustufe:	Master
Dauer des Moduls:	1 Semester
Status:	Wahlpflichtmodul (Vertiefung)
Lehrort:	Görlitz
Lehrsprache:	Deutsch

Workload* in

SWS **

Semester

Zeit- std.

ECTS- Pkte

1

2

3

4

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

150

5

4.0

2

2

0

0

*	Gesamtarbeitsaufwand pro Modul (1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden)
**	eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche

Selbststudienzeit in h	Angabe gesamt	davon
	105	30 Vor- und Nachbereitung LV	30 Vorbereitung Prüfung	45 Sonstiges

Lehr- und Lernformen:

Vorlesung, Seminar, Projektbearbeitung in der Gruppe Um den Anschluss in der Vorlesung nicht zu verlieren ist es notwendig diese zuhause nachzubereiten. Dazu werden die aktuellen Folien im Anschluss an die Vorlesung zur Verfügung gestellt Es ist sehr empfehlenswert dabei auftretende Fragen in der Literatur oder auf dem Web zu recherchieren. Interessante Einsichten oder Fragen werden in den Konsultationen diskutiert. Konsultationen für jede Gruppe (20 min pro Gruppe / 2 SWS bei 5 Gruppen) Definition des Projektes Vorstellung von Zwischenergebnissen Besprechung des aktuellen Standes Festlegung der Arbeiten für die nächste Woche Selbstständige Arbeit (3 SWS) in der Gruppe oder individuell am Laptop zur Lösung des Forschungsaufgabe Zur Vorbereitung auf die Projektverteidigung muss ein Beleg pro Gruppe als schriftlicher wissenschaftlich-technischer Bericht erstellt werden. Weiterhin muss die Präsentation für die Projektverteidigung erstellt werden.

Hinweise:

Ein Beleg als wissenschaftlich-technischer Bericht pro Gruppe. Die Ergebnisse des Projektes werden in einem Vortrag und eventueller Demonstration von 20 min mit 10 min Diskussion vorgestellt. Die Verteidigung ist öffentlich, weil ein Vortrag von einem Auditorium motivierender ist und Fragen von den anderen Studis erwünscht sind. Der Beleg und die Verteidigung gehen mit gleichem Gewicht in die Note ein. Bei der Verteidigung werden die Präsentation und die Beantwortung der Fragen bewertet. Zur Bewertung der individuellen Leistung in der selbstständigen Projektarbeit werden vertrauliche Beschreibungen der Gruppenmitglieder zu den einzelnen Beiträgen und deren Beurteilung herangezogen.



Prüfung(en)
Prüfung	Prüfungsleistung als Beleg (PB)	-	100.0%

---

Lerninhalt:

= Transfer Learning = Basis Netz, Feature Vektor und Netz zur Klassifikation = Fine-tuning = Alte Trainingsdaten, Konzepte und neue Trainingsdaten = Erweiterungen der Trainingsdaten = Geometrische Erweiterungen wie Verschiebung, Scherung & Rotation = Farben, Kontraste, Helligkeit, etc = Keras Image Augmentation und Albumentation = Object Classifikation, Detektion und Recognition = Trainingsdaten COCO, Monk, Pascal, ImageNet = Single Shot Detector (SSD) = Messung der Performance mit mAP = Effiziente Modelle, EfficientNet vs EfficientDet = Generative Models = Auto Encoder, U-Net & Variational Autoencoder = Deep Dream = Wie kann man Deep Neural Networks verstehen? = Vorhersage für Zeitreihen: RNN, LSTM oder GRU = Fenster = Anomalie Detektion

Lernergebnisse/Kompetenzen:
Fachkompetenzen:	Der Studierende kann ... ... die Bedeutung von "Feature Hierarchy" für Transfer Learning erläutern. ... die Komponenten eines DNN zur Klassifikation, d.h. Basisnetz, den Featurevektor und das Entscheidungsnetz diskutieren. ... ein Modell aus einem Modell Zoo aussuchen und für eine neue Anwendung trainieren. ... die Generalisierung seines Modells vorantreiben, indem er seinen Trainingsdatensatz durch geometrische und farbliche Transformation erweitert. ... den Unterschied zwischen Klassifikation, Detektion und Erkennung erklären. ... die Erweiterung eines Klassifikationnetz zur Detektion umreißen. ... berühmte Trainingsdaten zur Detektion benennen. ... die Funktion von mAP erläutern ... einen Objektdetektor trainieren ... das Interesse an Effizienten Modellen diskutieren ... die Idee von Generational AI skizzieren ... einige Netze zur Generational AI wie Variational Autoencoder erläutern ... erläutern welche Möglichkeiten es gibt die Arbeitsweise eines DNN zu "verstehen". ... Netze zur Vorhersage in Zeitreihen benennen. ... Anomalie Detektion definieren und DNN dazu diskutieren.
Fachübergreifende Kompetenzen:	Es gibt in der modernen Informatik nur wenige Aufgaben, welche alleine erledigt werden können. Die meisten Aufgaben erfordern eine Zusammenarbeit in einer Gruppe und mit anderen Personen. In der Vergangenheit war die Hauptursache für das Scheitern einer Diplomarbeit fehlende Kompetenz im Bereich des Zeitmanagement. Bei einer Gruppenarbeit wird das zeitgerechte Erreichen des Ziels durch ein vorschnelles Verlassen auf die Anderen erschwert. Daher sollen im konsekutiven BS-MS die Studis in den folgenden Schritten zum Erwerb einer Kompetenz im Zeitmanagement und der Fähigkeit zur Übernahme von Verantwortung als Gruppe angeleitet werden: a) Forschungsprojekt im BS als Gruppe b) Mehrere parallele Belege im ersten Semester des MS als Gruppe c) Mehrere parallele Belege im zweiten Semester des MS als Gruppe mit Abhängigkeiten zwischen den Gruppen d) Forschungsprojekt im MS individuell oder als Gruppe e) MS Arbeit individuell oder als Gruppe Im zweiten Semester des MS haben viele Studis ein Niveau in der Beherrschung von Planungstechniken und Sozialkompetenz erreicht, welche es ermöglichen, das eine Gruppe die Ergebnisse einer anderen Gruppe im selben Semester verwendet. Dazu müssen die einzelnen Gruppen die Bearbeitung ihrer Projekte gemeinsame planen und dann den gruppenuebergreifenden Plan durchhalten. Die Personalkompetenzen wir Eigeninitiative, Zielorientierheit und Durchhaltevermögen werden in diesen Stufen entwickelt, um dann in der MS Arbeit eine wissenschaftliche Fragestellung basierend auf den Ergebnissen anderen in einer Forschergruppe zu bearbeiten. Ein wichtige Aufgabe diese Moduls es Leistungsbereitschaft, Selbstmotivation und Zielorientierung zu entwickeln, um dann im ersten Semester des MS mehrere Projekt in verschiedenen Fächern gleichzeitig zu bearbeiten. Die Verteidigung dient mit Präsentation und Verteidigung vor dem Matrikel der Entwicklung der Praesentationstechniken und der Kommunikationsfähigkeit vor einer grösseren Gruppe.

Notwendige Voraussetzungen für die Teilnahme:	Basis Kenntnisse aus Deep Learning, traditionellem Machine Learning und AI
Empfohlene Voraussetzungen für die Teilnahme:	Verteilte Systeme, Betriebssystem insbesondere UNIX

Literatur:

"Pattern Classification" von Richard O. Duda, Peter E. Hart und David G. Stork "Kernel Methods for Pattern Analysis" von John Shawne-Taylor and Nello Christiani "The Elements of Statistical Learning: Data Mining, Inference and Prediction" von Trevor Hastie, Robert Tibshirani and Jerome Friedman "Introduction to Stochastic Search and Optimization: Estimation, Simulation and Control" von James C. Spall