Modul

Die Modulprüfung erfolgt in Form von Teilprüfungen über die gewählten Lehrveranstaltungen des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist.
Die Erfolgskontrolle zu den Vorlesungen erfolgt in Form einer schriftlichen Prüfung im Umfang von 60 Minuten.
Die Erfolgskontrolle zum Praktikum erfolgt benotet als Prüfungsleistung anderer Art. 
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Teilnoten gebildet und nach der ersten Kommastelle abgeschnitten.

Der/ die Studierende

• kennen die Grundlagen des Maschinellen Lernens, Data Minings und Knowledge Discovery.
  können lernfähige Systeme, konzipieren, trainieren und evaluieren.
• führen Knowledge Discovery Projekte unter Berücksichtigung von Algorithmen, Repräsentationen and Anwendungen durch.
• betrachten aktuelle Forschungsthemen auf dem Gebiet der Web Science und lernen insbesondere die Themen Kleine-Welt-Problem, Netzwerktheorie, soziale Netzwerkanalyse, Bibliometrie sowie Link-Analyse und Suche kennen,
• wenden interdisziplinäres Denken an und
• wenden technologische Ansätze auf sozialwissenschaftlichen Probleme an.

Keine

Im Fokus des Moduls stehen Verfahren des Maschinellen Lernens und Data Mining zur Wissensgewinnung aus großen Datenbeständen sowie Web-Phänomene und die zur Verfügung stehenden Technologien.

Die Vorlesung Knowledge gibt einen Überblick über Ansätze des maschinellen Lernens und Data-Mining zur Wissensgewinnung aus großen Datenbeständen. Diese werden besonders in Hinsicht auf Algorithmen, Anwendbarkeit auf verschiedene Datenrepräsentationen und den Einsatz in realen Anwendungsszenarien hin untersucht.
Knowledge Discovery ist ein etabliertes Forschungsgebiet mit einer großen Gemeinschaft, welche Methoden zur Entdeckung von Mustern und Regelmäßigkeiten in großen Datenmengen, einschließlich unstrukturierten Texten, untersucht. Eine Vielzahl von Verfahren existieren, um Muster zu extrahieren und bisher unbekannte Erkenntnisse zu liefern. Diese Informationen können prädiktiv oder beschreibend sein.
Die Vorlesung gibt einen Überblick über Knowledge Discovery. Es werden spezifische Techniken und Methoden, Herausforderungen und aktuelle und zukünftige Forschungsthemen in diesem Forschungsgebiet vermittelt.
Inhalte der Vorlesung umfassen den gesamten Machine-Learning- und Data-Mining-Prozess mit Themen zu überwachten sowie unüberwachten Lernverfahren und empirischer Evaluation. Behandelte Lernverfahren reichen von klassischen Ansätzen wie Entscheidungsbäumen, Support-Vector-Machines und neuronalen Netzen bis hin zu ausgewählten Ansätzen aus der aktuellen Forschung. Betrachtete Lernprobleme sind u.a. featurevektor-basiertes Lernen und Text Mining.

Die Vorlesung "Web Science" bietet einen Einblick in die Analyse von Sozialen Netzwerken und den dabei verwendeten Metriken. Dabei wird insbesondere auf Web-Phänomene und die zur Verfügung stehende Technologien eingegangen.
Web Science ist die aufstrebende Studie der Menschen und Technologien, Anwendungen, Prozesse und Praktiken, die das World Wide Web prägen und geprägt sind. Web Science zielt darauf ab, Theorien, Methoden und Erkenntnisse aus dem gesamten akademischen Disziplinen zu vereinen und mit der Industrie, Wirtschaft, Politik und Zivilgesellschaft zusammenarbeiten, um ein Verständnis für das Web zu entwickeln: Die größte soziotechnische Infrastruktur in der Geschichte der Menschheit.
Die Vorlesung gibt eine Einführung in die grundlegenden Konzepte von Web Science. Wesentliche theoretischen Grundlagen, Phänomene und Methoden werden vorgestellt und erläutert. Diese Vorlesung zielt darauf ab, den Studierenden ein Grundwissen und Verständnis über die Struktur und Analyse ausgewählter Web-Phänomene und Technologien zur Verfügung zu stellen. Die Themen umfassen u.a. das Kleine-Welt-Problem, Netzwerktheorie, soziale Netzwerkanalyse, Graphbasierte Suche und Technologien / Standards / Architekturen.

Gesamtaufwand bei 9 Leistungspunkten: ca. 270 Stunden. Die genaue Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls.