Studienprofil "Data Mining"

Data Mining, auch Knowledge Discovery in Databases (KDD) genannt, ist ein automatisierter Prozess, um in großen Datenmengen neue und interessante Informationen zu finden.

Mit der stetig zunehmenden Menge und Komplexität der gespeicherten Daten aus Wissenschaft und Wirtschaft steigt auch der Bedarf nach intelligenten maschinellen aber auch Experten-unterstützenden Analysemethoden dieser Daten.

Wegen der hohen Anforderungen im Data Mining ist es zu einer Schnittstelle unterschiedlichster Forschungsgebiete geworden, wie zum Beispiel Maschinelles Lernen und Informationsvisualisierung, Künstliche Intelligenz und Mensch-Maschine-Interaktion. Aber selbstverständlich werden auch Grundlagen aus den klassischen Informatik-Disziplinen wie Datenbanken, Algorithmen und Software-Engineering benötigt.

Studium

Data Mining ist ein Schwerpunkt im Masterstudium "Information Engineering" an der Universität Konstanz. Im 4-semestrigen Studium werden Grundlagen von Datenhaltung und -analyse und fortgeschrittene Methoden der Informationsaufbereitung und -visualisierung sowie die benötigten Grundlagen aus dem Kern der Informatik vermittelt. In studienbegleitenden Seminaren und Praktika werden diese Methoden in kleinen Gruppen vertieft und praktisch angewandt.

Der Fachbereich Informatik und Informationswissenschaften besteht aus 10 Lehrstühlen, die unter anderem von zwei international bekannten Forschern im Bereich Data Mining (Prof. D. Keim, Prof. M. Berthold) geleitet werden. Ihre vielfältigen Kontakte auch in das außereuropäische Ausland geben Studenten oftmals die Möglichkeit, auch Teile ihres Studiums z.B. in den USA zu verbringen.

Der Fachbereich verfügt über modernste Infrastruktur, unter anderem eine 5.20m x 2.15m große Powerwall zur Visualisierung enormer Datenmengen. In Konstanz wird auch die Open Source Data Mining Software KNIME entwickelt. Großzügige Rechnerausstattungen in den Rechnerpools und Compute Server erlauben Forschung in den Bereichen verteilte und parallele Data Mining Algorithmen.

Studienplan

Ein möglicher Beispielstudienplan im Schwerpunkt Data Mining könnte wie folgt aussehen (Vorlesungen und Zuordnungen können sich aber im Lauf der Zeit ändern):

• 1. Semester (WS):
• Data Mining 1 (3 SWS Vorlesung + 2 SWS Übung / 7,5 ECTS)
• Multimedia Datenbanksysteme (3 SWS Vorlesung + 2 SWS Übung / 7,5 ECTS)
• Digitale Signalverarbeitung (4 SWS Vorlesung + 2 SWS Übung / 9 ECTS)
• Einführung in die Volkswirtschaftslehre (Fachfremd) (4 SWS Vorlesung / 9 ECTS)

• 2. Semester (SS):
  • Data Mining 2 (3 SWS Vorlesung + 1 SWS Übung / 6 ECTS)
  • Information Visualization 1 (4 SWS Vorlesung + 2 SWS Übung / 9 ECTS)
  • Anorganische Chemie und Analytische Chemie 1 (Fachfremd) (Vorlesung 4 SWS / 6 ECTS)
  • Business Intelligence: from Reporting to Analytics (Seminar 2 SWS / 4 ECTS)

• 3. Semester (WS):
  • Algorithmen für die Analyse großer Datenmengen (2 SWS Vorlesung + 2 SWS Übung / 6 ECTS)
  • Zeichnen von Graphen (4 SWS Vorlesung + 2 SWS Übung / 9 ECTS)
  • Stochastik (Fachfremd) (4 SWS Vorlesung + 2 SWS Übung / 9 ECTS)
  • Text Mining (Seminar 2 SWS / 4 ECTS)
  • Masterprojekt: Maschinelles Lernen - Implementierung einer Hierarchischen Self Organizing Map (4 SWS / 10 ECTS)

• 4. Semester (SS):
  • Masterarbeit im Bereich Data Mining, Machine Learning, Artificial Intelligence, Information Visualization, Information Retrieval, z.B. Visuelles Clustering von Finanzdatenreihen (30 ECTS)

Data Mining am Beispiel des Datenanalyseprogramms KNIME

KNIME, [naim] ausgesprochen, ist eine modulare Datenexplorationsplattform, die es ermöglicht, Datenflüsse - sogenannte "pipelines" - visuell zusammenzustellen. Diese können dann ausgeführt werden, was einem "durchpumpen" der Daten entspricht. Danach können die Ergebnisse in interaktiven Views auf Daten und Modelle inspiziert werden.

KNIME wurde (und wird weiterhin) am Lehrstuhl für Bioinformatik und Information Mining entwickelt. Der Lehrstuhl von Michael Berthold setzt diese Plattform auch in Lehre und Forschung ein. Fast alle am Lehrstuhl entwickelten Data Mining Verfahren werden in KNIME integriert.
Mehr zu KNIME.

Kontakte

Prof. Michael Berthold, Arbeitsgruppe Bioinformatik und Information Mining
Prof. Daniel Keim, Arbeitsgruppe Datenbanken, Data Mining und Visualisierung