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

• versteht die Konzepte zur Realisierung von Semantic Web Technologien, inklusive Linked Data
• entwickelt Ontologien für den Einsatz in semantischen webbasierten Applikationen und wählt dazu geeignete Repräsentationssprachen aus,
• ist vertraut mit Verfahren zur Repräsentation und Modellierung von Wissen,
• ist in der Lage die Methoden und Technologien semantischer Webtechnologien auf andere Anwendungsgebiete zu übertragen,
• bewertet das Potential semantischer Webtechnologien für neue Anwendungsbereiche,
• versteht die Herausforderungen in den Bereichen der Daten- und Systemintegration im Web und kann selbstständig Lösungen erarbeiten.
• kennen die Grundlagen des Maschinellen Lernen, Data Minings und Knowledge Discovery.
  können lernfähige Systeme, konzipieren, trainieren und evaluieren.
• führen Knowledge Discovery Projekte unter Berücksichtigung von Algorithmen, Repräsentationen and Anwendungen durch.

Keine

Im Fokus des Moduls stehen Semantische Web Technolgien sowie Verfahren des Maschinellen Lernens und Data Mining zur Wissensgewinnung aus großen Datenbeständen.

Das Ziel des Semantic Web ist die Bedeutung (Semantik) von Daten im Web für intelligente Systeme z.B. im E-Commerce und in Internetportalen nutzbar zu machen. Eine zentrale Rolle spielen dabei die Repräsentation von Wissen in Form von RDF und Ontologien, die Bereitstellung der Daten als Linked Data, sowie die Anfrage von Daten mittels SPARQL. In dieser Vorlesung werden die Grundlagen der Wissensrepäsentation und -verarbeitung für die entsprechenden Technologien vermittelt sowie Anwendungsbeispiele vorgestellt.

Die Vorlesung "Knowledge Discovery" 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.

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