Search:
Lehrstuhl  |  Institut  |  Fakultät  |  LMU
print

Seminar "Explorative Datenanalyse und Data Mining" im SS 2015



Aktuelles

  • 12.06.2015 Der zweite Seminartag am 19.06.2015 beginnt bereits um 10:00 Uhr
  • 09.06.2015 Bitte beachten Sie die geänderten Vortragszeiten.
  • 05.05.2015 Für die Ausarbeitung soll dieses LaTeX Template verwendet werden (bare-conf.tex).
  • 05.05.2015 Die Folien der Vorbesprechung sind nun verfügbar.
  • 05.05.2015 Die Anmeldung und Themenvergabe ist abgeschlossen.
  • 13.04.2015 Momentan sind alle 15 Plätze bereits vergeben. Studenten, die sich ab jetzt anmelden, erhalten einen Platz auf der Warteliste. Für eine endgültige Teilnahme am Seminar ist die Anwesenheit bei der Vorbesprechung Pflicht.
  • 10.04.2015 Anmeldung per UniWorX ist geöffnet.



Inhalt

Neue informationstheoretische Ansätze verbinden Data Mining mit Daten-Kompression: Data Mining Methoden finden Muster oder Regelmäßigkeiten in Daten. Je effektiver diese Daten mit Hilfe der gefundenen Muster komprimiert werden können, desto größer ist der gewonnene Informationsgehalt. Das Potential dieser Methodik wird in vielen wissenschaftlichen Arbeiten verdeutlicht: Informationstheoretische Ansätze können vollständige Parameterfreiheit gewährleisten, sodass der Nutzer keine Eingabeparameter spezifizieren muss, die oft schwer zu schätzen sind. Des Weiteren können informationstheoretische Methoden eine Vielzahl von Data Mining Techniken integrieren, wie zum Beispiel Clustering, Outlier Detection und Association Rule Mining. Außerdem können die Verfahren auf verschiedenste Datenstrukturen angewandt werden, wie numerische Feature Vektoren, kategorische Daten oder Graphen.

Im Rahmen dieses Seminars sollen aktuelle Forschungsarbeiten aus dem Bereich informationstheoretisches Data Mining präsentiert und diskutiert werden.

Für eine erfolgreiche Teilnahme am Seminar gibt es folgende Voraussetzungen:

  • Teilnahme an der Vorbesprechung
  • Aktive Teilnahme an beiden Seminartagen
  • Eigenständig vorbereitete Präsentation, die zeigt, dass die präsentierte Forschung verstanden wurde
  • schriftliche Ausarbeitung von etwa 5-10 Seiten

Grundkenntnisse im Bereich Data Mining und/oder Machine Learning sind hilfreich aber nicht verpflichtend.

Die Vortragszeit beträgt 25 Min., darauf folgen 5-10 Min. Diskussion. Die Teilnehmerzahl ist auf 15 Teilnehmer begrenzt.



Organisation


Anmeldung

Ab sofort können sie sich hier zum Seminar anmelden. Für eine endgültige Teilnahme ist die Anwesentheit bei der Vorbesprechung Pflicht.


Ablauf


Ort und Zeit

Veranstaltung Datum Zeit Raum
Vorbesprechung Di, 28.04.2015 10.00-12.00 Uhr Raum U133 (Oettingenstr. 67)
Seminarblock 1 Fr, 12.06.2015 10.00-17.00 Uhr Seminarraum Gebäude 56, EG (Helmholtz Zentrum)
Seminarblock 2 Fr, 19.06.2015 10.15-17.00 Uhr Seminarraum Gebäude 56, EG (Helmholtz Zentrum)

Planung

Tag 1: Freitag, 12.06.2015

Zeit Thema Vortragender
10:15 Robust Information-theoretic Clustering Markus Reisinger
11:00 A Nonparametric Information Theoretic Clustering Algorithm Franck Nkopchieu Sinkam
11:45 minCEntropy: a Novel Information Theoretic Approach for the Generation of Alternative Clusterings Constantinos Stergiou
12:30 Integrative Parameter-free Clustering of Data with Mixed Type Attributes Tobias Moritz
13:15 Mittagspause
14:15 INCONCO: Interpretable Clustering of Numerical and Categorical Objects Elias Englmeier
15:00 Dependency Clustering Across Measurement Scales Tim Meinhardt
15:45 Relevant Overlapping Subspace Clusters on Categorical Data Markus Rohm

Tag 2: Freitag, 19.06.2015

Zeit Thema Vortragender
10:15 Weighted Graph Compression for Parameter-free Clustering With PaCCo Anna Beer
11:00 Summarization-based Mining Bipartite Graphs Philipp Martinek
11:45 Subdue: Compression-based Frequent Pattern Discovery in Graph Data Katharina Schroer
12:30 Compression-based Graph Mining Exploiting Structure Primitives Werner Hoffmann
13:15 Mittagspause
14:15 Clustering Mixed-type Data Including Concept Trees David Englmeier
15:00 Mining Connection Pathways for Marked Nodes in Large Graphs Charlotte Mach

Zusätzliche Informationen


Vorhergehende Semester

Vorlage:Explorativ/crosslinks

blank