EventoWeb
Zürcher Hochschule für Angewandte Wissenschaften
Menu Home User Menu
Not registered Login
[ German (Switzerland) German (Switzerland) ]   [ English ]
[ de de ]   [ en ]
Not registered Login
t.BA.WI.STDM.19HS (Statistical Data Mining) 
Module: Statistical Data Mining
This information was generated on: 02 July 2025
No.
t.BA.WI.STDM.19HS
Title
Statistical Data Mining
Organised by
T IDP
Credits
4

Description

Version: 3.0 start 01 August 2024

Diese Modulbeschreibung gilt bis zum 31. Juli 2024. Die gültige Modulbeschreibung ist im Intranet unter https://intra.zhaw.ch/departemente/school-of-engineering/bachelorstudium/module im Modulhandbuch abrufbar.

 

Kurzbeschrieb

Das Modul führt in die Grundprinzipien des Statistischen Data Mining/Machinelles Lernen ein. Es werden Methoden aus dem überwachten und unüberwachten Lernen behandelt und an konkreten Fallbeispielen angewendet.

Modulverantwortung

Martin Frey

Lernziele (Kompetenzen)
Ziel Kompetenzen Taxonomiestufen
Sie kennen die Grundlagen des Data-Mining Processes. F K1, K2
Sie kennen Verfahren aus dem unüberwachten Lernens (unsupervised learning) und Ihre wichtigsten Eigenschaften. Sie können erkennen, für welche Probleme sie geeignet sind und können diese anwenden, um neue Probleme zu lösen.  F, M K1, K2, K3
Sie kennen Verfahren aus dem überwachten Lernens (supervised learning) und Ihre wichtigsten Eigenschaften. Sie können erkennen, für welche Probleme sie geeignet sind und können diese anwenden, um neue Probleme zu lösen.  F, M K1, K2, K3
Sie können Berechnungen für konkrete Fragestellungen in einer Programmiersprache (z.B. R oder python) unter zuhilfenahme von Softwarepaketen implementieren und interpretieren. F, M K4, K5

Modulinhalte

Unüberwachtes Lernen

  • Ähnlichkeits- und Distanzmasse, Ausreisserdetektion
  • ​Eine Auswahl bekannter Methoden zur Datenreduktion, wie Principal Component Analysis (PCA), Multidimensional scaling, t-SNE, UMAP
  • Eine Auswahl bekannter und moderner Clustering-Methoden, wie k-means Clustering, hierarchical Clustering, dichte- und modellbasiertes Clustering

Überwachtes Lernen

  • Grundlagen, Modellselektierung, Cross-Validation
  • Auswertung und Performance Evaluation von Klassifikatoren
  • Eine Auswahl bekannter und moderner Methoden, wie Bayes Classifier, Nearest Neighbor Classifier (NN), k-NN, Support Vector Machines, Logistic Regression, Decision Trees und Random Forest
  • Ensemble Methoden (Bagging und Boosting)

Lehrmittel/Materialien
  • Vorlesungsunterlagen
  • ​Arbeitsblätter mit Lösungen

  • Ergänzende Literatur
  • James, Witten, Hastie and Tibshirani, An Introduction to Statistical Learning, 2021 (Second Edition)

Zulassungs-voraussetzungen 

 ExpD, Wahr und GStat

Unterrichtssprache

 (X) Deutsch ( ) Englisch

Teil des Internationalen Profils

 ( ) Ja (X) Nein

Modulausprägung

 Typ 2a
  Details siehe unter: T_RL_Richtlinie_Modulauspraegungen_Stundengutschriften

Leistungsnachweise
Bezeichnung Art Form Umfang Bewertung Gewichtung
Leistungsnachweise während Studiensemester Selbständiges Bearbeiten mehrerer Aufgaben während des Semesters     Benotung max. 40 %
Semesterendprüfung Schlussprüfung  Schriftlich 90 Min. Benotung min. 60 %

Bemerkungen

Die genaue Vorgehensweise des Leistungsnachweises wird von dem Dozenten zu Beginn der Vorlesung schriftlich kommuniziert.

Rechtsgrundlage

 Die Modulbeschreibung ist neben Rahmenprüfungsordnung und Studienordnung Teil der Rechtsgrundlage. Sie ist verbindlich. Eine in der ersten Unterrichtswoche des Semesters schriftlich festgehaltene und kommunizierte Modulvereinbarung kann die Modulbeschreibung präzisieren. Die Modulvereinbarung ersetzt nicht die Modulbeschreibung.

Note

Course: Statistisches Data Mining - Vorlesung
No.
t.BA.WI.STDM.19HS.V
Title
Statistisches Data Mining - Vorlesung

Note

  • No module description is available in the system for the cut-off date of 01 August 2099.