Modulcode:	WInf-SemDMML
Englische Bezeichnung:	Seminar - Data Mining and Machine Learning on Social Data and Open Data
Modulverantwortliche(r):	Prof. Dr. Ansgar Scherp
Turnus:	unregelmäßig (SS14 SS15 WS15/16 SS16 WS16/17 SS17 WS17/18 SS18)
Präsenzzeiten:	2S
ECTS:	5
Workload:	150 Std. (30 Std. Präsenzzeit, 120 Std. Vorbereitung des eigenen Seminarthemas)
Dauer:	ein Semester
Modulkategorien:	Sem (MSc Inf (15)) Sem (MSc WInf (15)) Sem (MSc WInf)
Lehrsprache:	Englisch
Voraussetzungen:

Kurzfassung:

Die Analyse sozialer Medien und offener Daten im Internet erfordert vielfältige Fähigkeiten und eine interdisziplinäre Denk- und Arbeitsweise. Neben informationswissenschaftlichen Kenntnissen und Herangehensweisen werden auch Methoden der Informatik, insbesondere aus dem Bereich des maschinellen Lernens und des Data Mining, angewendet, um Antworten auf aktuelle Forschungsfragen in diesem Gebiet zu finden.

Lernziele:

Die TeilnehmerInnen erlernen methodische Kompetenzen im Bereich des maschinellen Lernens und Data Mining. Sie verstehen, wie diese Methoden im Anwendungskontext sozialer Medien und offenen Daten angewendet werden können. Zudem erlernen Sie informationswissenschaftliche Kompetenzen in der Analyse und dem Verstehen sozialer Medien und offener Daten. Sie können die verschiedenen Methoden und Ansätze kritisch bewerten und Bezüge herstellen.

Lehrinhalte:

Soziale Medien und nutzergenerierter Content sind heute ein großer Bestandteil des Webs . Während im sogenannten Web 1.0 die Internet-Nutzer im Wesentlichen die im World Wide Web angebotenen Inhalte konsumierten, so hat sich mit dem Social Web die Rolle der Nutzer von Konsumenten zum sogenannten Prosumenten (Kunstwort aus "Provider" und "onsument") entwickelt. Sozialen Medien agieren als Plattformen, die das Publizieren von nutzergeneriertem Content wie Bilder, Blogs und Videos, aber auch sozialer Kontakte erlauben. Seit geraumer Zeit werden zudem Daten im Internet zur Verfügung gestellt (sogenannte: Linked Open Data). Ziel der Linked Open Data Bewegung ist die Veröffentlichung und Vernetzung von Daten im Internet. Dabei besteht oftmals ein starker Bezug zu sozialen Medien. Ein bekanntes Beispiel ist DBpedia, eine Linked Open Data Version der Wikipedia Enzyklopädie. Die Analyse sozialer Medien und offener Daten im Internet erfordert vielfältige Fähigkeiten und eine interdisziplinäre Denk- und Arbeitsweise. Neben informationswissenschaftlichen Kenntnissen und Herangehensweisen sind insbesondere auch Methoden der Informatik, z.B. maschinelles Lernes und Data Mining, erforderlich. Im Rahmen des interdisziplinären Seminars setzen sich die Studierenden daher mit Methoden des Data Mining und maschinellen Lernens auseinander und zeigen anhand der Funktionsweise dieser Methoden, wie sie auf Probleme und Fragestellungen im Bereich der Analyse sozialer Medien und Linked Open Data angewendet werden können. Dies umfasst beispielsweise die Extraktion von politischen Meinungen und Stimmungen oder Emotionen aus Texten, die Klassifikation von Bildern oder Texte aus Blogs oder Tweets oder das Erlernen von Modellierungsregeln aus offenen Datenquellen.

Weitere Voraussetzungen:

Interesse an Themen und Fragestellungen der Forschung im Bereich Knowledge Discovery und Web Science. Die Bereitschaft zum selbstständigen Erarbeiten wissenschaftlicher Texte und Vortragen in der Lehrveranstaltung.

Prüfungsleistung:

Benoteter Seminarvortrag und benotete schriftliche Ausarbeitung.

Lehr- und Lernmethoden:

Studierende erhalten eine Einführung in die Themenstellung und werden bei der Vorbereitung des Seminarvortrags und der Ausarbeitung betreut. Dabei werden Sie zur selbständigen Bearbeitung des Themas angeleitet und bauen Vortragskompetenz auf. Während der Präsenzzeit werden die Lehrinhalte im Plenum kritisch diskutiert.

Verwendbarkeit:

Die im Seminar erlernten Kenntnisse und Fähigkeiten können bei der Master-Abschlussprüfung eingesetzt werden.

Literatur:

Wird zu Beginn des Seminars bekannt gegeben.

Verweise:

Kommentar:

Die Veranstaltung findet als Blockseminar statt. Der Termin wird zum Vorlesungsbeginn festgelegt.