Prinzipien räumlichen Data Minings und maschinellen Lernens

Worum geht's

Du lernst Methoden des Data Mining und maschinellen Lernens mit Schwerpunkt auf räumlichen und raum-zeitlichen Daten. Am Ende des Moduls kannst Du geeignete Modelltypen (z. B. lineare Modelle, kNN, Entscheidungsbäume, Naive Bayes, SVMs) auf räumliche Datentypen anwenden und gängige Probleme wie fehlende Werte, räumliche Autokorrelation, Modellwahl und Datenbereinigung behandeln.

Was du danach kannst

• Anwenden von Klassifikations- und Regressionsverfahren auf räumliche Daten
• Einsatz von Clustering- und weiteren unüberwachten Methoden
• Umgang mit fehlenden Werten und Unsicherheit in räumlichen Datensätzen
• Beachtung und Behandlung räumlicher Autokorrelation
• Modellauswahl, Modellfusion und Evaluierung (z. B. Kreuzvalidierung)
• Arbeit mit verschiedenen räumlichen Datentypen (Punktwolken, Trajektorien, Netze, Text, Multimedia)

Aus was das Modul besteht

• LectureVermittlung der Grundlagen und Methoden des spatial data mining und maschinellen Lernens
• TutorialKonkrete Beispiele und Übungen zur Anwendung der Methoden

Lehrmethode

• PräsentationEinführung und Erklärung von Konzepten
• HandoutZusammenfassung und Nachschlagewerk für die Inhalte
• BeispieleAnwendung der Methoden an konkreten Datensätzen
• ScreencastsErgänzende Demonstrationen und Erklärvideos