Tem­po­ral and Spa­ti­al Da­ta Mi­ning

Hilfreiche Voraussetzungen  
 
Während des Bachelorstudienganngs sollte mindestens einen Kurs im Bereich Machine Learning besucht worden sein (z. B. Soft Computing).
Wissenslücken können in Onlinekursen zu Machine Learning geschlossen werden. Grundkenntnisse der Stochastik, der Analysis und der linearen Algebra werden vorausgesetzt. Außerdem sind Python-Kenntnisse vorteilhaft.
 
Inhalte

Die Vorlesung beschäftigt sich mit Grundlagen der Mustererkennung in Zeitreihen (z.B. Sensorsignale) und räumlich verteilt erfassten Daten (z.B. in Sensornetzen).  
Es werden u.a. folgende Themen besprochen:  

  • Grundlagen (z.B. Segmentierung von Zeitreihen, Korrelation von Daten)
  • Repräsentation (z.B. Merkmale zur Beschreibung temporaler/räumlicher Daten)
  • Abstands- und Ähnlichkeitsmessung von Zeitreihen, Clustering/Klassifikation, Motiverkennung, Anomalieerkennung mit verschiedenen Techniken (z.B. Nearest Neighbor, Neuronale Netze, Support Vector Regression),  
  • verschiedenste Beispielanwendungen (Unterschriftenverifikation, kollaborative Gefahrenwarnung in Fahrzeugen, Aktivitätserkennung u.a.)

Lernziel/Kompetenzen
 
Die Studierenden werden nach erfolgreichem Abschluss der Veranstaltung in der Lage sein:  

  • verschiedene Aufgaben, Modelle und Algorithmen des Spatio-Temporal Data Mining zu erklären,  
  • neue Modellierungsansätze für Probleme wie Zeitreihenklassifikation, Anomalieerkennung, Motiverkennung u.a. zu entwickeln,  
  • neue Anwendungen eigenständig zu planen und zu realisieren  
  • existierende Verfahren und Anwendungen kritisch zu hinterfragen, zu vergleichen und zu bewerten.