Mentoring WS 20/21 Prof. Stumme

Seminar "Ausgewählte Themen der Wissensverarbeitung 20/21"

Das Seminar behandelt verschiedene Methoden zur Wissensentdeckung und Wissensrepräsentation in Daten, insbesondere zur Analyse von (sozialen) Netzwerken. Hierbei betrachten wir u.a.: Lernverfahren, Metriken in Netzwerken, Anomalieerkennung, Charakterisierung von sozialen Netzwerken, Approximation und Exploration von Wissen, Ordnungsstrukturen in Wissen, Ontologieentwicklung.

Angesprochener HörerInnenkreis:

  • Bachelor Informatik ab 3. Sem.,
  • Bachelor/Master Mathematik mit Nebenfach Informatik
  • Master Informatik. 

Für alle Zielgruppen liegen Seminarthemen vor.

Knowledge Discovery WS 20/21

Die Vorlesung gibt einen Überblick über Verfahren zur Wissensgewinnung aus strukturierten Daten und Texten. Der Schwerpunkt der Vorlesung liegt auf den maschinellen Lernverfahren, d.h., Clustern, Klassifizieren und Regelberechnung. Die Theorie sowie deren Anwendung wird an konkreten Beispielen aufgezeigt. Behandelt werden außerdem

  • Techniken zur Vorverarbeitung und Integration von Datenbeständen, wozu das Konzept des Data Warehouse gehört,
  • OLAP-Techniken für die interaktive Analyse großer Datenbestände,
  • (halb-)automatische Verfahrung zur Gewinnung neuen Wissens aus strukturierten Daten und Methoden zur Wissensextraktion aus Texten.
  • Repräsentation von maschinelle ermittelten Wissen

Social Network Analysis 20/21

Die Vorlesung gibt eine Einführung in die soziale Netzwerkanalyse. Darunter versteht man eine Sammlung von Methoden zur Analyse sozialer Relationen zwischen Entitäten Menschen). Dabei wird ein strukturelles Vorgehen genutzt um verschiedene Fragen zu klären, zum Beispiel: gibt es wiederkehrende Muster? Wie erkennt man abweichende Verbindungen? Wie identifiziert man besondere Entitäten?

Das wichtigste Instrument der sozialen Netzwerkanalyse ist die Graphentheorie. Als ein mathematisches Teilgebiet bietet sie die notwendige Formalisierung, sowie bereits eine Vielzahl von erarbeiteten Konzepten und Erklärungsmodellen. Beispiele hierfür sind beschreibende Größen, wie Dichte, Fragmentierung und Cores, oder Substrukturen, wie Cliquen, Clans und algebraische Äquivalenz.

Ziel der Vorlesung ist es den Teilnehmenden die formalen Analysemethoden sowie deren algorithmische Berechenbarkeit zu vermitteln.