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 
Startseite    Anmelden     

Praktikum: Business Analytics, Maschinelles Lernen & Künstliche Intelligenz - Einzelansicht

Grunddaten
Veranstaltungsart Praktikum
Veranstaltungsnummer 3266 Kurztext
Semester WiSe 2013/14 SWS 4
Erwartete Teilnehmer/-innen 6 Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 6
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/prakAIML-13w/index.html Evaluation Ja (als gesamte Veranstaltung - online)
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 anzeigen
iCalendar Export
Mo. 14:00 bis 18:00 c.t. wöchentlich Gebäude C (Samelson-Campus) - C 213 (Seminarraum) Raumplan        
Gruppe 1-Gruppe:


Zugeordnete Personen
Zugeordnete Personen Zuständigkeit
Khan, Umer , M.Sc. durchführend, nicht verantwortlich
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich, nicht durchführend
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Bachelor B.Sc. I M I T
Bachelor B.Sc. Wirtschaftsinformat (PO 2011)
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf. (PO 2011)
LSF - Module
Modulkürzel Modultitel
WI-PRBI Praktikum Business Intelligence und Data Mining
MIT-PML Master-Praktikum Maschinelles Lernen
IT-PKI Praktikum Künstliche Intelligenz
0ERA-6LP Veranstaltungen mit 6 Credits f. ausl. Programmstud. (ERASMUS)
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Literatur
  • Travel Time Prediction mit Gauß-basierten Regression: Eine Trajektorie basierend approach. SIAM Data Mining 2009
  • Ein Travel Time Prediciton mit Machine Learning-Algorithmen: Stanford Machine Learning Project 2007.
  • Traffic Flow Dynamics- Daten, Modelle und Simulation von Martin Treiber, Arne Kesting.
  • Cascade RSVM in Peer-to-Peer-Netzwerke, ECML Jahr 2008
Lerninhalte

Personalized Travel Time Prediction: Information über die Reisezeit spielen eine wichtige Rolle in verschiedenen Gebieten intelligenter Transportsysteme wie modernen Verkehrsleit- und Verkehrsinformationssystemen sowie kommerziellen Managementsystemen für den Fahrbetrieb von Firmenfahrzeugen und Notfallmanagementsystemen. Präzise Reisezeitangaben helfen dem Fahrer sowie dem Logistikunternehmen überfüllte Straßen zu vermeiden, was zu einer Verringerung von Staus und Reisekosten führt.
Im Praktikum werden Themen wie das Berechnen des Kraftstoffverbrauchs aus GPS-Trajektorien mit Hilfe von Techniken des Maschinellen Lernens wie z.B. Matrix Faktorisierung bearbeitet werden. Des Weiteren werden einfache Verkehrsmodelle mit Verkehrssimulatoren wie MATSim erstellt.

Distributed Data Mining:  Musterextraktion aus großen Peer-to-Peer-Netzwerken ist große Herausforderung, da eine zentrale Verwaltung der Daten nicht möglich ist. Das Ziel ist die Entwicklung eines Algorithmus, der wenig Bandbreite benötigt, skaliert, asynchron und robust gegenüber dem Peer-Mechanismus ist sowie eine Genauigkeit erzielt, die möglichst nahe an der eines zentralen Algorithmus liegt.
Im Praktikum werden Algorithmen entwickelt, die verteilt in Ad-Hoc Netzwerken lernen.

Zielgruppe

Für Studierende der Bachelor-und Masterstudiengänge Wirtschaftsinformatik und Informationsmanagement und Informationstechnologie


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WiSe 2013/14 , Aktuelles Semester: WiSe 2018/19
Impressum      Datenschutzerklärung     Datenschutz