Hinweis

Die Angaben zu dem unten angeführten Modul können unter Umständen nicht mehr aktuell sein.
Bitte beachten Sie deshalb die Informationen in den jeweiligen Modulhandbüchern des entsprechenden Studienganges
(https://www.th-koeln.de/studium/alle-studiengaenge-auf-einen-blick_76.php?faculty_de%5B%5D=Informatik+und+Ingenieurwissenschaften).

Modul: Data Mining (English) (DM-E)Wintersemester 2025/26

---

Hinweis: Wegen der 'Corona-Krise' muss derzeit in der Gestaltung von Lehrveranstaltungen und Prüfungen von den Richtlinien, die in unseren Modulhandbüchern festgelegt sind, teilweise abgewichen werden. Beachten Sie bitte insbesondere die Hinweise Ihrer Dozentinnen und Dozenten in den einzelnen Lehrveranstaltungen, Sie werden dort über die jeweiligen Veränderungen informiert.

---

Akkreditierungsdatum: 03.09.13
Letzte Änderung: 17.10.17

Lehrveranstaltung(en):

• Data Mining (EN) (DM IM)

Semester:
WS

Modulverantwortliche(r):
Prof. Dr. Dietlind Zühlke

Lehrende(r):
Prof. Dr. Olaf Mersmann, Prof. Dr. Dietlind Zühlke

Sprache:
Englisch

Studiengang/Zuordnung - Curriculum/Semester:

• Master: Informatik/Computer Science (Wahlkatalog, WS)

Semesterwochenstunden:
Gesamt: 4 SWS (Vorlesung: 2 SWS, Praktikum: 0 SWS, Übung: 2 SWS, Seminar: 0 SWS)
Zusatz: kein

Gruppengröße Praktikum:
15

Lehrform:

Arbeitsaufwand:
Gesamt: 180h (Vorlesung: 30h, Praktikum: 0h, Übung: 90h, Seminar: 0h, Selbststudium: 60h)
Zusatz: kein

Credits:
6 CP
Zusatz: kein

Voraussetzungen:

A basic understanding of computer science in particular, is acquired through an undergraduate degree.

• Good knowledge of data models and data structures
• Good knowledge of the multidimensional analysis, and probability theory

Lernziele/Kompetenzen:

Students should be able

• to enumerate different data mining approaches and outline how they work,
• to identify the advantages and disadvantages of various data mining techniques,
• to assess which data mining techniques are suitable for which application fields.

Inhalt:

• About Data: Preprocessing
• Classification (Supervised Learning)
  • K-NN Naïve Bayes,
  • Bayesian Nets
  • Decision Trees
  • Linear Classification
  • Support Vector Machines
  • Neuronal Networks
• Unsupervised Learning
  • Clustering
• Rule Induction

Leistungen:

Written examination and presentations.

Medienformen:

Literatur:

• Jan, H., Kamber, M., Peo, J.: Data Mining: Concepts and Techniques: Concepts and Techniques, Morgan-Kaufman, 2011.
• Pang-Ning Tan, Michael Steinbach und Vipin Kumar: Introduction to Data Mining, Pearson, 2013.
• Witten I.H., Eibe, F., Data Mining, Practical Machine Learning Tools and Techniques, Morgan Kaufmann, 2011.
• Russel & Norvig: Artificial Intelligence, Prentice Hall 2003
• Bing Liu: Web Data Mining, Springer: Berlin,  2012.

Schwerpunkte:

Sonstige Informationen: