Inhalt

[ 926BUSIDAMV14 ] VL Data Mining

Versionsauswahl
(*) Leider ist diese Information in Deutsch nicht verfügbar.
Workload Ausbildungslevel Studienfachbereich VerantwortlicheR Semesterstunden Anbietende Uni
3 ECTS M1 - Master 1. Jahr Wirtschaftsinformatik Christoph Schütz 2 SSt Johannes Kepler Universität Linz
Detailinformationen
Anmeldevoraussetzungen keine
Quellcurriculum Masterstudium Wirtschaftsinformatik 2023W
Ziele Siehe Modul Data Mining
Lehrinhalte Siehe Modul Data Mining
Beurteilungskriterien Schriftliche Klausur
Lehrmethoden Die Lehrinhalte werden vermittelt mittels Methoden des Blended Learning, insbesondere Flipped Classroom, mit interaktiven Elementen zur Festigung des Wissens.
Abhaltungssprache deutsch/englisch
Literatur Basisliteratur:

  • Han, J.; Kamber, M.: Data Mining: Concepts and Techniques. Morgan Kaufmann, in der aktuellen Auflage.

Ergänzungsliteratur:

  • Witten, I. H.; Hall, M.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, in der aktuellen Auflage.
  • Kotu, V.; Deshpande, B.: Predictive Analytics and Data Mining: Concepts and Practice with Rapidminer. Morgan Kaufmann, in der aktuellen Auflage.
  • Van der Aalst, W.: Process Mining. Springer, in der aktuellen Auflage.
  • Liu, B.: Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. Springer Verlag, in der aktuellen Auflage.

Weitere Ergänzungsliteratur wird in jedem Semester bekannt gegeben.

Lehrinhalte wechselnd? Nein
Frühere Varianten Decken ebenfalls die Anforderungen des Curriculums ab (von - bis)
2WBMDMV: VL Data Mining (2011S-2014S)
Präsenzlehrveranstaltung
Teilungsziffer 200
Zuteilungsverfahren Zuteilung nach Vorrangzahl