Modul CS3130-KP08

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

Dauer:

1 Semester

Angebotsturnus:

Wird nicht mehr angeboten

Leistungspunkte:

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

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:

Zulassungsvoraussetzungen zur Belegung des Moduls:
- Keine (die Kompetenzen der unter ''Setzt voraus'' genannten Module werden für dieses Modul benötigt, sind aber keine formale Voraussetzung)

Zulassungsvoraussetzungen zur Teilnahme an Modul-Prüfung(en):
- Erfolgreiche Bearbeitung von Übungszetteln gemäß Vorgabe am Semesteranfang

Modulprüfung(en):
- CS3130-L1: Non-Standard-Datenbanken und Data-Mining, Portfolioprüfung bestehend aus in der Vorlesung und in einer Klausur zu erwerbenden Punkten. Die Gewichtung wird zu Semesterbeginn bekanntgegeben.

Früherer Name des Moduls: Algorithmische Datenanalyse

Laut Beschluss des Prüfungsausschusses Informatik vom Sommersemester 2023 dient das Modul CS3150-KP08 Human and Machine Intelligence als Ersatz für CS3130-KP08 Non-Standard-Datenbanken und Data-Mining in der kanonischen Vertiefung Web und Data Science.