Modulbeschreibung
Information Retrievel
Kurzzeichen:
M_IR
Unterrichtssprache:
Deutsch
ECTS-Credits:
2
Arbeitsaufwand (h):
60
Leitidee:
Die Studierenden
- kennen wichtige Prinzipien und Modelle, die für das Information Retrieval zur Anwendung kommen.
- wissen aus welchen Komponenten Information Retrieval Systeme aufgebaut sind und wie man diese evaluiert.
- besitzen einen Überblick über Information Extraction Technologien.
- kennen verschiedene Machine Learning Verfahren und deren Anwendungen.
Weiters sind die Studierenden in der Lage die oben erläuterten Methoden und Technologien gezielt in praktischen Aufgabenstellungen anzuwenden.
Modulverantwortung:
Prof. Studer Martin
Lehrpersonen:
Prof. Studer Martin
Standort (angeboten):
Chur
Vorausgesetzte Module:
Zusätzliche Eingangskompetenzen:
Informatik
Modultyp:
Bemerkungen:
Das Modul findet im Frühlingssemester statt.
Modulbewertung:
Note von 1 - 6
Leistungsnachweise und deren Gewichtung
Während der Unterrichtsphase:
Während der Unterrichtsphase werden im Kurs Information Retrieval eine Prüfung geschrieben und ein Projekt bewertet.
Bewertungsart:
Note von 1 - 6
Gewichtung:
Während der Unterrichtsphase werden im Kurs Information Retrieval eine Prüfung (Gewicht 50%) geschrieben und ein Projekt (Gewicht 50%) bewertet.
Bemerkungen:
Es findet keine abgesetzte Modulschlussprüfung statt.
Inhalte
Angestrebte Lernergebnisse (Abschlusskompetenzen):
Die Studierenden
- kennen wichtige Prinzipien und Modelle, die für das Information Retrieval zur Anwendung kommen.
- wissen aus welchen Komponenten Information Retrieval Systeme aufgebaut sind und wie man diese evaluiert.
- besitzen einen Überblick über Information Extraction Technologien.
- kennen verschiedene Machine Learning Verfahren und deren Anwendungen.
Weiters sind die Studierenden in der Lage die oben erläuterten Methoden und Technologien gezielt in praktischen Aufgabenstellungen anzuwenden.
Modul- und Lerninhalt:
- Grundlagen von IR Systemen
- Automatische Indexierungsverfahren
- Überblick über Retrievalmodelle
- Boole’sches Retrieval
- Rankingsysteme und Relevance-Feedback
- Google-Page-Rank-Modell
- Vektorraum-Modell
- Termgewichtungsmodelle
- Natürlichsprachiges Retrieval mit dem Fuzzy-Retrievalmodell
- Probabilistische Retrievalmodelle am Beispiel des Binary Independent-Retrieval-Modells (BIR) - Kennzahlen für die Evaluierung von IR Systemen
- Informationsextraktion mittels
- Regulärer Ausdrücke (Wikipedia, Dokumenten)
- XPath (Wikipedia, XML Dokumente)
- SPARQL (DBpedia, Triple Stores) - N-Gramm-Analyse
- Machine Learning und Anwendungen
- Naive Bayes (Document Filtering)
- Clustering (Aufbau von Preismodellen)
- Support Vektor Maschinen (Klassifikation)
- Genetische Algorithmen (Financial Forecasting) - Praxisprojekt (Umsetzung der Lerninhalte auf konkrete Aufgabenstellungen).
Lehr- und Lernmethoden:
Vorlesung, Übungen, Praktika