Modulcode:	infEAeS-01a
Englische Bezeichnung:	Methods for efficient similarity search in large data sets
Modulverantwortliche(r):	Prof. Dr. Matthias Renz
Turnus:	unregelmäßig (SS20 WS20/21 SS21 SS23 SS24)
Präsenzzeiten:	4V 2Ü
ECTS:	8
Workload:	60 Std. Vorlesung, 30 Std. Präsenzübung, 150 Std. Selbststudium
Dauer:	ein Semester
Modulkategorien:	BSc-Inf-WP (BSc Inf (21)) BSc-WInf-WP-Inf (BSc WInf (21)) WI (BSc Inf (15)) MSc-Inf-WP (MSc Inf (21)) 2F-MEd-Inf-WP (MEd-Hdl Inf (21)) 2F-MA-Inf-WP (2F-MA Inf (21)) MSc-WInf-WP-Inf (MSc WInf (21)) WI (MSc Inf (15)) WI (MSc WInf (15))
Lehrsprache:	Deutsch
Voraussetzungen:	Inf-ADS

Kurzfassung:

Diese Vorlesung befasst sich mit neuen Techniken zur Ähnlichkeitssuche insb. der Feature-basierten Ähnlichkeitssuche in Datenbanken mit komplex strukturierten Objekten. Der behandelte Stoff findet in vielen (Nicht-Informatik)-Wissenschaften, in denen datengetriebene Exploration zu einem immer wichtigeren Thema wird, wie z.B. Archaeologie, Medizin, und andere Natur- und Geisteswissenschaften, Anwendung. Zu diesen Daten gehören insbesondere Multimedia-Objekte und allg. Multi-Attribut-Objekte Objekte mit räumlicher Ausdehnung (z.B. CAD-Daten, Geo-Objekte, Bio-Moleküle, etc.) Zeitreihen und Sequenzdaten (z.B. Audiosequenzen, Videosequenzen, etc.)

Lernziele:

Die Studierenden kennen algorithmischen Techniken zur Effizienz und der Effektivität der vorgestellten Techniken zur Änlichkeitssuche und Nachbarschaftsanfrage in nicht-standard Datenbanken (Datenbeständen) und können diese praktisch anwenden. Darüber hinaus haben sie die Index-basierte Suche und die Mehrstufige Anfragebearbeitung sowie Merkmal(Feature)-Extraktionsverfahren für räumliche und zeiträumliche Daten verstanden.

Lehrinhalte:

• Einführung in die Feature-basierte Ähnlichkeitssuche
• Feature Räume und Distanzmaße
• Algorithmische Paradigmen zur Anfragebearbeitung
• Indexstrukturen für Featureräume und metrische Räume
• Bereichsanfragen
• Nächste-Nachbarn Anfragen
• Reverse-Nächste-Nachbarn Anfragen
• Skyline Anfragen und Pareto-Optimalität
• Bewertung von Methoden zur Ähnlichkeitssuche
• Feature-Extraktion von räumlich ausgedehnten Objekten
• Feature-Extraktion von Zeitreihen
• Nachbarschaftssuche in Netzwerk-Graphen

Weitere Voraussetzungen:

wünschenswert: Informationssysteme

Prüfungsleistung:

Schriftliche Prüfung am Ende des Semesters

Lehr- und Lernmethoden:

Vertiefung der Kenntnisse über die vorgestellten Methoden und Algorithmen anhand von praktischen Beispielen die als Aufagbe vom Studenten zu lösen sind.

Verwendbarkeit:

Literatur:

Skript wird als Haupliteratur bereitgestellt. Zur Vertiefung werden bei Bedarf entsprechende Veröffentlichungen bereitgestellt.

Verweise:

Kommentar: