Modulhandbuch (Module manual)

M.184.5331 Applied Machine Learning for Text Analysis
(Applied Machine Learning for Text Analysis)

Koordinator (coordinator):	Prof. Dr. Oliver Müller
Ansprechpartner (contact):	Prof. Dr. Oliver Müller (oliver.mueller[at]uni-paderborn.de)
Credits:	10 ECTS
Workload:	300 Std (h)
Semesterturnus (semester cycle):	WS
Studiensemester (study semester):	1-4
Dauer in Semestern (duration in semesters):	1

Lehrveranstaltungen (courses):
	Nummer / Name (number / title)	Art (type)	Kontaktzeit (contact time)	Selbststudium (self-study)	Status (P/WP) (status)	Gruppengröße (group size)
a)	K.184.53311 / Applied Machine Learning for Text Analysis	Seminar			P
Wahlmöglichkeiten innerhalb des Moduls (Options within the module):
Keine

Empfohlene Voraussetzungen (prerequisites):
Solide Kenntnisse in den Bereichen Machine Learning und Programmierung (Python) Solid knowledge in the field of machine learning and programming (Python)

Inhalte (short description):
Schätzungen zufolge sind heutzutage etwa 80% aller Daten unstrukturiert. Im Gegensatz zu strukturierten Daten, die wohlstrukturiert und inhaltlich meist numerisch sind, sind unstrukturierte Daten oft textuell und daher schwieriger zu interpretieren. Die Aufgabe, Wissen aus Textdokumenten zu extrahieren, bekannt als Textanalyse oder natürliches Sprachverständnis, ist äußerst komplex und immer noch begrenzt durch die Möglichkeiten von Computern, die Feinheiten menschlicher Sprachen zu verstehen. In diesem Hands-on-Seminar werden die Studierenden in den aktuellen Stand des maschinellen Lernens und die Techniken der Verarbeitung natürlicher Sprache eingeführt (z.B. Textklassifikation, Themenmodellierung, künstliche neuronale Netze, Worteinbettungen). Durch Programmierübungen (Python) können die Studierenden nicht nur ihr theoretisches Wissen über verschiedene Algorithmen vertiefen, sondern haben auch die Möglichkeit, diese Methoden auf reale Probleme anzuwenden. Die Veranstaltungen finden regelmäßig in der Vorlesungazeit statt, das Modul schließt mit der Abgabe der Hausarbeit und nachfolgender Präsentation nach der Vorlesungszeit. It is estimated that approximately 80% of all existing data is unstructured. Unlike structured data, which is usually well-structured and mostly numerical, unstructured data is often textual and therefore far more difficult to interpret. The task of extracting knowledge from text documents, known as text analysis or natural language understanding, is extremely complex and still limited by the ability of computers to understand the subtleties of human languages. In this hands-on seminar, students will be introduced to the current state of machine learning and natural language processing techniques (e.g. text classification, topic modelling, artificial neural networks, word embeddings). With programming exercises (Python), students deepen their theoretical knowledge of different algorithms and get the opportunity to apply these methods to real-world issues. Lectures take place regularly during the lecture period, the module ends with the submission of the term paper and subsequent presentation after the lecture period.

Inhalte (short description):

Schätzungen zufolge sind heutzutage etwa 80% aller Daten unstrukturiert. Im Gegensatz zu strukturierten Daten, die wohlstrukturiert und inhaltlich meist numerisch sind, sind unstrukturierte Daten oft textuell und daher schwieriger zu interpretieren. Die Aufgabe, Wissen aus Textdokumenten zu extrahieren, bekannt als Textanalyse oder natürliches Sprachverständnis, ist äußerst komplex und immer noch begrenzt durch die Möglichkeiten von Computern, die Feinheiten menschlicher Sprachen zu verstehen.
In diesem Hands-on-Seminar werden die Studierenden in den aktuellen Stand des maschinellen Lernens und die Techniken der Verarbeitung natürlicher Sprache eingeführt (z.B. Textklassifikation, Themenmodellierung, künstliche neuronale Netze, Worteinbettungen). Durch Programmierübungen (Python) können die Studierenden nicht nur ihr theoretisches Wissen über verschiedene Algorithmen vertiefen, sondern haben auch die Möglichkeit, diese Methoden auf reale Probleme anzuwenden.

Die Veranstaltungen finden regelmäßig in der Vorlesungazeit statt, das Modul schließt mit der Abgabe der Hausarbeit und nachfolgender Präsentation nach der Vorlesungszeit.

It is estimated that approximately 80% of all existing data is unstructured. Unlike structured data, which is usually well-structured and mostly numerical, unstructured data is often textual and therefore far more difficult to interpret. The task of extracting knowledge from text documents, known as text analysis or natural language understanding, is extremely complex and still limited by the ability of computers to understand the subtleties of human languages. In this hands-on seminar, students will be introduced to the current state of machine learning and natural language processing techniques (e.g. text classification, topic modelling, artificial neural networks, word embeddings). With programming exercises (Python), students deepen their theoretical knowledge of different algorithms and get the opportunity to apply these methods to real-world issues.

Lectures take place regularly during the lecture period, the module ends with the submission of the term paper and subsequent presentation after the lecture period.

Lernergebnisse (learning outcomes):

Fachkompetenz Wissen (professional expertise):
Studierende... kennen die Herausforderungen bei der automatischen Analyse natürlich-sprachiger Textdaten kennen verschiedene Textanalyse-Techniken und können die zugrundeliegende Logik beschreiben kennen die Stärken und Schwächen spezifischer Textanalyse-Techniken Students... are aware of the challenges of automatically analysing natural language text data know different text analysis techniques and can describe the underlying logic know the strengths and weaknesses of specific text analysis techniques
Fachkompetenz Fertigkeit (practical professional and academic skills):
Studierende... sammeln Textdaten aus dem Web oder unternehmensinternen Datenquellen bereinigen und transformieren Textdaten, um sie für statistische Analysen nutzbar zu machen wenden Textanalyse-Techniken auf einen vorgegebenen Datensatz an Students... collect text data from the web or company data sources cleanse and transform text data to make it usable for statistical analyses apply text analysis techniques to a given data set
Personale Kompetenz / Sozial (individual competences / social skills):
Studierende... lösen Geschäftsprobleme (z.B. im Marketing oder Servicemanagement) durch die Erfassung und Analyse von Textdaten (z.B. Online-Rezensionen, Social Media Beiträge, E-Mails) Students... solve business problems (e.g. in marketing or service management) by collecting and analysing text data (e.g. online reviews, social media posts, emails)
Personale Kompetenz / Selbstständigkeit (individual competences / ability to perform autonomously):
Studierende... wählen die richtige Text-Mining-Technik für ein vorgegebenes (bestimmtes) Problem aus bewerten die Qualität der Text-Mining-Ergebnisse sind sich der Grenzen der automatisierten natürlichen Sprachverarbeitung bewusst Students... select the correct text mining technique for a given (specific) problem. evaluate the quality of the text mining results are aware of the limitations of automated natural language processing

Prüfungsleistungen (examinations)
Art der Modulprüfung (type of modul examination): Modulprüfung
	Art der Prüfung (type of examination)	Umfang (extent)	Gewichtung (weighting)
a)	Hausarbeit	20-30 Seiten/pages [Abgabe i.d.R. am 1. Sonntag im März]	60.00 %
b)	Präsentation	20 Minuten/minutes [Präsentation i.d.R. 10-14 Tage nach Abgabe]	40.00 %

Studienleistung / qualifizierte Teilnahme (module participation requirements)
Nein

Voraussetzungen für die Teilnahme an Prüfungen (formal requirements for participating in examinations)
Keine

Voraussetzungen für die Vergabe von Credits (formal requirements for granting credit points)
Die Vergabe der Credits erfolgt, wenn die Modulnote mindestens „ausreichend“ ist

Gewichtung für Gesamtnote (calculation of overall grade)
Das Modul wird mit der Anzahl seiner Credits gewichtet (Faktor: 1)

Verwendung des Moduls in den Studiengängen (The module can be selected in the following degree programmes)
M.Sc. Wirtschaftsinformatik M.Sc. Management Information Systems

Umfang QT (participation requirements):

Lernmaterialien, Literaturangaben (learning material, literature):

Teilnehmerbegrenzung (participant limit):
20 Personen

Sonstige Hinweise (additional information):
BITTE BEACHTEN Dieses Modul ist kapazitativ auf 20 Teilnehmer/innen begrenzt. Bitte beachten Sie die Hinweise zu kapazitativ-begrenzten Modulen im Bereich „Studium" auf den Seiten der Fakultät für Wirtschaftswissenschaften. Studierende melden sich für das Modul in PAUL an und müssen sich zusätzlich direkt beim Lehrstuhl bewerben. Bitte senden Sie Ihre Bewerbung, bestehend aus einem kurzen Motivationsschreiben, und Angaben zu Semester und einem aktuellen Notenauszug (Screenshot PAUL) per E-Mail an DataAnalytics@wiwi.upb.de. Die Auswahl der Teilnehmer erfolgt unmittelbar nach Ende der 1. Anmeldephase (bzw. unmittelbar nach Ende der Revisionsphase für kapazitativ-begrenzte Module) durch den Lehrstuhl. Es wird nur unter denjenigen Studierenden ausgewählt, die sich in PAUL für das Modul angemeldet und eine vollständige Bewerbung an den Lehrstuhl gesendet haben! Zu Beginn der Vorlesungszeit findet eine Einführungsveranstaltung statt, in der weitere wichtige Informationen zum Modul bekannt gegeben werden . PLEASE NOTE! This course is limited to 20 participants. Please note the information on capacity-limited modules in the section "Studies" on the pages of the Faculty. Students register for the module in PAUL and must additionally apply directly to the chair. Please send your application, consisting of a short letter of motivation, your semester specification and a current transcript of grades (Screenshot PAUL) per e-mail to DataAnalytics@wiwi.upb.de. Participants are selected at the end of the 1st application period (respectively the 2nd shortened application period). Only those students who registered for the course in PAUL and submitted their complete application are put on the shortlist! At the beginning of the lecture period, we start the course with an introductory lesson in which you will receive important information about the course!

Sonstige Hinweise (additional information):

BITTE BEACHTEN

Dieses Modul ist kapazitativ auf 20 Teilnehmer/innen begrenzt. Bitte beachten Sie die Hinweise zu kapazitativ-begrenzten Modulen im Bereich „Studium" auf den Seiten der Fakultät für Wirtschaftswissenschaften. Studierende melden sich für das Modul in PAUL an und müssen sich zusätzlich direkt beim Lehrstuhl bewerben. Bitte senden Sie Ihre Bewerbung, bestehend aus einem kurzen Motivationsschreiben, und Angaben zu Semester und einem aktuellen Notenauszug (Screenshot PAUL) per E-Mail an DataAnalytics@wiwi.upb.de.

Die Auswahl der Teilnehmer erfolgt unmittelbar nach Ende der 1. Anmeldephase (bzw. unmittelbar nach Ende der Revisionsphase für kapazitativ-begrenzte Module) durch den Lehrstuhl. Es wird nur unter denjenigen Studierenden ausgewählt, die sich in PAUL für das Modul angemeldet und eine vollständige Bewerbung an den Lehrstuhl gesendet haben!

Zu Beginn der Vorlesungszeit findet eine Einführungsveranstaltung statt, in der weitere wichtige Informationen zum Modul bekannt gegeben werden .

PLEASE NOTE!

This course is limited to 20 participants. Please note the information on capacity-limited modules in the section "Studies" on the pages of the Faculty. Students register for the module in PAUL and must additionally apply directly to the chair. Please send your application, consisting of a short letter of motivation, your semester specification and a current transcript of grades (Screenshot PAUL) per e-mail to DataAnalytics@wiwi.upb.de.

Participants are selected at the end of the 1st application period (respectively the 2nd shortened application period). Only those students who registered for the course in PAUL and submitted their complete application are put on the shortlist!

At the beginning of the lecture period, we start the course with an introductory lesson in which you will receive important information about the course!

Zum Seitenanfang