Website
Modulhandbuch vor WS2020

Modul CS3130-KP08

Non-Standard-Datenbanken und Data-Mining (NDBDM)

Dauer:


1 Semester
Angebotsturnus:


Jedes Wintersemester
Leistungspunkte:


8
Studiengang, Fachgebiet und Fachsemester:
  • Bachelor Informatik 2019 (Wahlpflicht), Kernbereich Informatik, Beliebiges Fachsemester
  • Bachelor Informatik 2019 (Pflicht), Kanonische Vertiefung Web und Data Science, 5. Fachsemester
  • Bachelor Medizinische Informatik 2019 (Wahlpflicht), Informatik, 4. bis 6. Fachsemester
  • Bachelor Medieninformatik 2014 (Wahlpflicht), Informatik, 5. oder 6. Fachsemester
  • Bachelor IT-Sicherheit 2016 (Wahlpflicht), Informatik, Beliebiges Fachsemester
  • Bachelor Informatik 2016 (Wahlpflicht), Kernbereich Informatik, Beliebiges Fachsemester
  • Bachelor Informatik 2016 (Pflicht), Kanonische Vertiefung Web und Data Science, 5. Fachsemester
Lehrveranstaltungen:
  • CS3130-Ü: Non-Standard-Datenbanken und Data-Mining (Übung, 2 SWS)
  • CS3130-V: Non-Standard-Datenbanken und Data-Mining (Vorlesung, 4 SWS)
Workload:
  • 90 Stunden Präsenzstudium
  • 110 Stunden Selbststudium
  • 40 Stunden Prüfungsvorbereitung
Lehrinhalte:
  • Semistrukturierte Datenbankmodelle (JSON, XML) und Volltextsuche
  • Information Retrieval
  • Mehrdimensionale Indexstrukturen
  • Cluster-Bildung
  • Einbettungstechniken
  • First-n-, Top-k-, und Skyline-Anfragen
  • Probabilistische Datenbanken, Anfragebeantwortung, Anfragetransformation, Safe-Plan-Anfrage, Top-k-Anfragen (Monte-Carlo-Simulation, Luby-Karp-Verfahren, Multisimulation), Open-World-Annahme
  • Probabilistische Modellierung, Bayes-Netze, Anfragebeantwortungsalgorithmen, Lernverfahren für Modelle
  • Temporale Datenbanken und das relationale Modell
  • Probabilistische Temporale Datenbanken
  • SQL: neue Entwicklungen (z.B. JSON-Strukturen und Arrays), Zeitreihen (z.B. TimescaleDB)
  • Stromdatenbanken, Prinzipien der Fenster-orientierten inkrementellen Verarbeitung
  • Approximationstechniken für Stromdatenverarbeitung, Stream-Mining
  • Probabilistische raum-zeitliche Datenbanken und Stromdatenverarbeitungssysteme: Anfragen und Indexstrukturen, Raum-zeitliches Data Mining, probabilistische Skylines
  • Von NoSQL- zu NewSQL-Datenbanken, Graphdaten in SQL, CAP-Theorem, CALM-Theorem, Blockchain-Datenbanken
Qualifikationsziele/Kompetenzen:
  • Wissen: Studierende können die Hauptmerkmale von Standard-Datenbanken benennen und erläutern, welche Non-Standard-Datenmodelle entstehen, wenn die Merkmale fallengelassen werden. Sie können beschreiben, welche Kernideen hinter den in der Veranstaltung behandelten Non-Standard-Datenmodellen stehen, indem sie erklären, wie die entsprechenden Anfragesprachen zu verstehen sind (Syntax und Semantik) und welche Implementierungstechniken hauptsächlich zu ihrer praktischen Umsetzung eingesetzt werden. Weiterhin können Studierende elementare Data-Mining-Techniken auch im Zusammenhang mit Nicht-Standard Datenbanken erläutern.
  • Fertigkeiten: Studierende können Anfragesprachen für Non-Standard-Datenmodelle, die im Kurs eingeführt wurden, anwenden, um bestimmte Strukturen aus Beispieldatenbeständen heraussuchen zu können, so dass sich Informationsbedürfnisse befriedigen lassen. Die Studierenden sind in der Lage, Datenmodelle in das relationale Datenmodell unter Verwendung von eingeführten Kodierungstechniken zu übersetzen, so dass sie demonstrieren können, wie neue Formalismen mit dem relationalen Modell in Beziehung stehen und in SQL implementiert werden können (insbesondere SQL-2011). Für den Fall, dass eine Übersetzung in SQL nicht möglich ist, können die Studierenden angepasste Algorithmen erläutern und anwenden. Studierende können weiterhin demonstrieren, wie Indexstrukturen eine schnelle Anfragebeantwortung ermöglichen, indem sie zeigen, wie Indexstrukturen aufgebaut, verwaltet und bei der Anfragebeantwortung ausgenutzt werden. Die Kursteilnehmer können Anfrageantworten Schritt für Schritt herleiten, indem sie optimierte Ausführungspläne bestimmen. Darüber hinaus können sie elementare Techniken für das Data-Mining umsetzen.
  • Sozialkompetenz und Selbständigkeit: Studierende arbeiten in Gruppen, um Aufgaben zu bearbeiten und zu lösen, und sie werden angeleitet, selbst erarbeitete Lösungen in einem Kurzvortrag zur Diskussion zu stellen (in der Übung). Weiterhin wird die Selbständigkeit der Studierenden durch Aufzeigen von konkret verfügbaren Datenbanksystemen gefördert, so dass die Studierenden selbstbestimmt Arbeiten in einem praktischen Kontext durchführen können.
Vergabe von Leistungspunkten und Benotung durch:
  • Klausur
Setzt voraus:
Modulverantwortlicher:
Lehrende:
Literatur:
  • S. Abiteboul, P. Buneman, D. Suciu: Data on the Web - From Relations to Semistructured Data and XML - Morgan-Kaufmann, 1999
  • Ch. Aggarwal: Data Mining - The Textbook - Springer, 2015
  • S. Chakravarthy, Q. Jiang: Stream Data Processing - A Quality of Service Perspective - Springer, 2009
  • J. Leskovec, A. Rajaraman: Mining of Massive Datasets - Cambridge University Press, 2012
  • P. Revesz: Introduction to Databases: From Biological to Spatio-Temporal - Springer 2010
  • P. Rigaux, M. Scholl, A. Voisard: Spatial Databases With Applications to GIS - Morgan-Kaufmann, 2001
  • D. Suciu, D. Olteanu, Chr. Re, Chr. Koch: Probabilistic Databases - Morgan & Claypool, 2011
Sprache:
  • Wird nur auf Deutsch angeboten
Bemerkungen:

Früherer Name des Moduls: Algorithmische Datenanalyse

Zulassungsvoraussetzungen zum Modul:
- Keine (Die Kompetenzen der vorausgesetzten Module werden für dieses Modul benötigt, die Module stellen aber keine Zulassungsvoraussetzung dar.)

Zulassungsvoraussetzungen zur Prüfung:
- Erfolgreiche Bearbeitung von Übungsaufgaben während des Semesters

Letzte Änderung:
18.2.2020