| Termin |
Datum |
Vorlesung |
Inhalt |
Folien |
Übungsblätter |
| 1 |
07.10.2021 |
Regression 1 |
- Vorstellung, Organisatorisches
- Wiederholung KI, Klassifikation
- Motivation Regression, Beispiele
- Lineare Regression, Multiple lineare Regression
- Regression mit SciKit Learn
|
|
|
| 2 |
14.10.2021 |
Regression 2 |
- Wiederholung Lineare Regression
- Zusammenfassung Overfitting, Modellkomplexität und Regularisierung
- Preprocessing mit SciKit Learn
|
|
|
| 3 |
21.10.2021 |
Zeitreihenanalyse |
- Zeitreihen, Grundlagen und Definitionen
- Analyse von Zeitreihen, Lineare ZR-Modelle
- Zeitreihen mit Pandas und Python
|
|
|
| 4 |
28.10.2021 |
Clustering |
- Clustering hierarchisch
- k-Means Algorithmus
- Dokumenten-Repräsentation (TF/IDF), Clustering
- WordCloud Darstellung
|
|
|
| 5 |
04.11.2021 |
Warenkorbanalyse |
- Warenkorbanalyse
- Häufige Mengen, Apriori-Algorithmus
|
|
|
| 6 |
11.11.2021 |
Datenschutz, Ethik |
- Aspekte Datenschutz
- Gefahren der Datenanalyse
- Diskussion
|
|
|
| 7 |
11.11.2021 |
Gastvortrag |
- Gastvortrag: Stefan Rötner
- Übung: Jupyter-Installationsparty
|
|
|
| 8 |
25.11.2021 |
Projektphase - Mini-Projekt |
- Projektphase (Ziele)
- Vorstellung der Kaggle-Plattform
- Einteilung in Projektgruppen
- Mini-Projekt
|
|
|
| 9 |
02.12.2021 |
Status Mini-Projekt |
|
|
|
| 10 |
09.12.2021 |
Start Projektphase |
- Präsentation der Mini-Projekte
- Vorstellung möglicher Datensätze für Projektphase
- Weiterer Vorlesungsverlauf
|
|
|
| 11 |
16.12.2021 |
Projektphase |
- Gruppenaufteilung, Zuordnung der Datensätze
- Vorstellung Seaborn (Visualisierung)
|
|
|
| 12 |
23.12.2021 |
fällt aus (Weihnachten) |
|
|
|
| 13 |
30.12.2021 |
fällt aus (Weihnachten) |
|
|
|
| 14 |
06.01.2022 |
Projektphase |
Um 10 Uhr im BBB
- Kurzes Feedback zum aktuellen Stand
- Vortrag: "Was ist Big Data?"
|
|
|
| 15 |
13.01.2022 |
Projektphase |
Um 10 Uhr im BBB
- Kurzes Feedback zum aktuellen Stand
- Vortrag: "Use Case: Bot Detection"
|
|
|
| 16 |
20.01.2022 |
Projektphase |
Um 10 Uhr im BBB
- Kurzes Feedback zum aktuellen Stand
- Vorstellung: "No-Code DataScience"
|
|
|