Letzte Änderung : 12.10.2026 14:55:12   


Code:132300
Module title:Data Mining 2
Version:1.0 (12/2009)
Last update: 11.09.2026
Responsible person: Prof. Dr.-Ing. ten Hagen, Klaus
k.tenhagen@hszg.de

Offered in 4 study courses:
Computer Science (M.Sc.) valid from the class 2018 (elective core module (specialization))
Computer Science (M.Sc.) valid from the class 2020 ( elective core module)
Computer Science (M.Sc.) valid from the class 2024 ( elective core module)
Computer Science (M.Sc.) valid from the class 2026 ( elective core module)

Semester according to time table:WiSe (winter semester)
Module level:Master
Duration:1 semester
Status: elective core module
Place where the module will be offered:Görlitz
Language of Instruction:German/English

Workload* in SCH **
semester
hoursECTS
Credits
1
2
3
4

L
S
P
O
L
S
P
O
L
S
P
O
L
S
P
O
150
5
4.0

2
2
0
0

*Overall workload per module (1 ECTS credit corresponds to a workload of 30 hours)
**One semester credit hour (SCH) corresponds to a workload / class meeting of 45 minutes per week in a semester

Self study time in hours
total
subdivided into
105
50
Preperation of contact hours
55
Preparation of exam
0
Others


Learning and teaching methods:---- GERMAN

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 eine Präsentation für die Projektverteidigung erstellt werden.


---- ENGLISH

Lecture, seminar, group project work

To stay on top of the lecture material, it is necessary to review it at home. The latest slides will be made available immediately after the lecture. It is highly recommended that you research any questions that arise in the course literature or online. Interesting insights or questions will be discussed during theconsultation.

Consultations for each group (20 min per group / 2 SWS for 5 groups)

  • Definition of the project

  • Presentation of interim results

  • Discussion of the current status

  • Determination of tasks for the following week


Independent work (3 SWS) in groups or individually on laptops to solve the research task

To prepare for the project defense, one document per group must be prepared as a written scientific-technical report. Additionally, a presentation for the project defense must be prepared.
Further information:---- GERMAN

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.


---- ENGLISH

One scientific-technical report per group.
The results of the project will be presented in a 20-minute presentation, possibly accompanied by a demonstration, followed by a 10-minute discussion. The presentation is open to the public because speaking to an audience is more motivating, and questions from other students are encouraged.
The report and the defense are weighted equally in the final grade. During the defense, the presentation and the answers to the questions are evaluated.
To assess individual performance in the independent project work, confidential descriptions by group members regarding individual contributions and their evaluation are used.


Exam(s)
Assessment Major examination (written report)
 - 
 100.0%


Syllabus plan/Content: ---- GERMAN

= 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


---- ENGLISH

= Transfer Learning
= Base network, feature vector, and classification network
= Fine-tuning
= Old training data, concepts, and new training data
= Training data augmentation
= Geometric augmentations such as translation, shearing, and rotation
= Colors, contrast, brightness, etc.
= Keras Image Augmentation and Albumentation
= Object classification, detection, and recognition
= Training Datasets: COCO, Monk, Pascal, ImageNet
= Single Shot Detector (SSD)
= Performance Measurement with mAP
= Efficient Models: EfficientNet vs. EfficientDet
= Generative Models
= Autoencoder, U-Net, and Variational Autoencoder
= Deep Dream
= How Can We Understand Deep Neural Networks?
= Time Series Prediction: RNN, LSTM, or GRU
= Windows
= Anomaly Detection

Learning Outcomes:
Subject-specific skills and competences:---- GERMAN

Die Absolventen/-innen erlernen folgende Fähigkeiten:

  • 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 untersuchen

  • Netze zur Vorhersage in Zeitreihen benennen

  • Anomalie Detektion definieren und DNN dazu diskutieren



Die Absolventen/-innen verfügen über hinreichenden Wissensdrang und Neugier, um eigenständig umfassende Literaturrecherchen durchzuführen, die wissenschaftlichen Ansprüchen genügen.
Die Ergebnisse dieser Recherchen können sie systematisieren und so aufbereiten, dass sie für den Eigen- oder Fremdgebrauch verwendbar sind.
Ihre entwickelten Lösungsansätze begründen und beurteilen sie präzise, wobei sie gleichzeitig fähig sind, berechtigte Kritik Dritter in ihre Beurteilung konstruktiv einzubeziehen.


---- ENGLISH

Graduates will acquire the following skills:

  • explain the importance of "feature hierarchy" for transfer learning

  • discuss the components of a DNN for classification, i.e. the base network, the feature vector, and the decision network

  • select a model from a model zoo and train it for a new application

  • improve the generalization of their model by expanding their training dataset through geometric and color transformations

  • explain the difference between classification, detection, and recognition

  • outline the extension of a classification network to detection

  • name famous training datasets for detection

  • explain the function of mAP

  • train an object detector

  • discuss the interest in efficient models

  • outline the idea of generational AI

  • Explain some networks used in Generational AI, such as Variational Autoencoders

  • Explain the available methods for investigating how a DNN works

  • Name networks used for time series prediction

  • Define anomaly detection and discuss DNNs in this context



Graduates possess a sufficient thirst for knowledge and curiosity to independently conduct comprehensive literature reviews that meet academic standards.
They can systematize the results of this research and present them in a way that makes them usable for their own or others’ purposes.
They justify and evaluate the solutions they have developed with precision, while at the same time being able to constructively incorporate legitimate criticism from others into their assessment.
Generic competences (Personal and key skills):---- GERMAN

Die Absolventen/-innen sind fähig, Wissen aus sehr unterschiedlichen Gebieten miteinander zu vernetzen, um komplexe Problemstellungen systematisch und methodisch zu analysieren, zu bewerten und adäquate Lösungsansätze zu entwickeln.
In diesem Prozess sind sie in der Lage, selbst- und fremdentwickelte Lösungsansätze in einem möglichst ganzheitlichen Kontext kritisch zu überprüfen.
Hierbei berücksichtigen sie jenseits der rein technischen Diskussion auch ökonomische, ökologische, soziale und rechtliche Aspekte.

Durch die Pluralität bei der Vermittlung von wissenschaftlichen Theorien, Modellen, Definitionen, Instrumenten und Methoden sind die Absolventen/-innen dafür sensibilisiert, dass es je nach Umfeldbedingungen unterschiedliche technische Lösungsmöglichkeiten gibt.
Sie sind somit befähigt, technische, wirtschaftliche, ökologische und soziale Fragen gleichermaßen zu berücksichtigen und auftretende Zielkonflikte zielorientiert zu lösen.


---- ENGLISH

Graduates are able to integrate knowledge from a wide range of fields in order to systematically and methodically analyze and evaluate complex problems and develop appropriate solutions.
In this process, they are able to critically evaluate solutions developed by themselves or others within as holistic a context as possible.
In doing so, they take into account not only purely technical considerations but also economic, ecological, social, and legal aspects.

Through the diversity in the teaching of scientific theories, models, definitions, tools, and methods, graduates are made aware that different technical solutions exist depending on the environmental conditions.
They are thus able to give equal consideration to technical, economic, ecological, and social issues and to resolve conflicting objectives in a goal-oriented manner.

Pre-requisites:---- GERMAN

Basis Kenntnisse aus Deep Learning, traditionellem Machine Learning und AI
(ohne Nachweiserfordernis)


---- ENGLISH

Basic knowledge of deep learning, traditional machine learning, and AI
(no proof required)
Optional pre-requisites:---- GERMAN

Verteilte Systeme, Betriebssystem insbesondere UNIX


---- ENGLISH

Distributed systems, operating systems (particularly UNIX)

Literature:

  • "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