Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
  1. SucheSuchen         
  2. SoSe 2024
  3. Hilfe
  4. Sitemap
Switch to english language
Startseite    Anmelden     

Master-Seminar: Maschinelles Lernen: Data Mining for Traffic Congestion Control, Travel Time Prediction and Collision Avoidance - Einzelansicht

Zurück
Grunddaten
Veranstaltungsart Seminar Co-finanziert aus Studienbeiträgen N
Veranstaltungsnummer 3254 Kurztext
Semester SoSe 2013 SWS 2
Erwartete Teilnehmer/-innen 11 Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 3
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/semML-13ss/ Evaluation Ja - digitale Veranstaltung
Sprache englisch
Termine Gruppe: 1-Gruppe iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine ausblenden
iCalendar Export
Mi. 16:00 bis 18:00 c.t. wöchentlich Gebäude B (Samelson-Campus) - SC.B.0.26 (Seminarraum) Raumplan        
Einzeltermine:
  • 10.04.2013
  • 17.04.2013
  • 24.04.2013
  • 01.05.2013
  • 08.05.2013
  • 15.05.2013
  • 22.05.2013
  • 29.05.2013
  • 05.06.2013
  • 12.06.2013
  • 19.06.2013
  • 26.06.2013
  • 03.07.2013
  • 10.07.2013
Gruppe 1-Gruppe:


Zugeordnete Personen
Kontaktperson (durchführend) Zuständigkeit
Khan, Umer , M.Sc. durchführend, nicht verantwortlich
Weitere Person Zuständigkeit
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich, nicht durchführend
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Master M.Sc. Informationsmanagm. 1 - 3 3
Master M.Sc. Wirtschaftsinf. 1 - 3 3

Hinweis: Die Angaben zu den Semestern sind nur Empfehlungen, keine Anmeldebeschränkungen.

LSF - Module
Modulkürzel Modultitel
MIT-SKIML Seminar KI und Maschinelles Lernen (M WINF/IMIT bis PO 2016)
xWI-SEBI Seminar Business Intelligence
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Bemerkung

Kann eingebracht werden als:

  • Master-Seminar Maschinelles Lernen aus dem Gebiet Künstliche Intelligenz und Maschinelles Lernen,
  • Master-Seminar Business Intelligence aus dem Gebiet Wirtschaftsinformatik i.e.S./Business Intelligence (WI), oder
  • Seminar Künstliche Intelligenz und Maschinelles Lernen (Master) für IMIT/ WI
Voraussetzungen

Studierende sollten eine Veranstaltung des ISMLL im Wintersemester 2011/12 besucht haben, da sich die Themen auf die Lehrinhalte stützen.

Lerninhalte

Multimedia Information Retrieval (MIR) ist das Problem des Suchens nach digitaler Multimedia, wie Bilder, Video, Audio (Musik) in großen Datenbanken. Die Suche ist "content-based", dh die Suche wird den tatsächlichen Inhalt der Multimedia-Typen (z.B. in Bild / Video, Farben, Formen, Texturen) analysieren. Es gibt wegen der großen Anzahl der möglichen Anwendungen ein enorm wachsendes Interesse an MIR. Der neueste Trend, sowohl wirtschaftlich als auch in der Forschung, ist die Nutzung von sozialen Informationen in Form von Textbeschreibung (z.B. soziale Tags) zu Bildern, Videos oder Audio. Bekannte Beispiele sind Flickr, YouTube, und Last.fm. Skalierbarkeit für sehr große Datenbanken ist auch eine Frage, die erhebliche Aufmerksamkeit erregt hat, da dies eine wichtige Voraussetzung für die kommerzielle Anwendung ist. Solche Fragen werden in diesem Seminar untersucht, mit Betonung auf der Rolle des Maschinellen Lernens / Data-Mining-Technologien, die MIR erleichtern.

Zielgruppe

Studierende des Studiengangs Informationsmanagement und Informationstechnologie und Wirtschaftsinformatik MSc


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2013 , Aktuelles Semester: SoSe 2024
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit