Institut für Informatik
Lehr- und Forschungseinheit für Datenbanksysteme
 |
Prof.
Dr. Christian Böhm
|
Hinweis für mündliche Prüfungen:
Leider ist die Nachfrage nach mündlichen Prüfungen in diesem Semester besonders hoch (mit ca. 200). Ich versuche, so weit dies möglich ist, allen Interessenten einen Prüfungstermin anzubieten, kann aber mit meiner Terminvergabe leider nicht besonders flexibel auf die Wünsche der Studierenden eingehen (ich bitte um Verständnis).
Für die Vereinbarung eines Prüfungstermins kommen Sie bitte grundsätzlich in meine Sprechstunde. Die Termine finden Sie hier.
Forschungspreise:
- Best Paper Honorable Mention Award der SIAM Data Mining Conference (SDM 2008).
Die Informatik an der Ludwig Maximilians Universität München ist für ihre Forschungsleistung im Bereich "Data Mining" mit einem renommierten internationalen Preis ausgezeichnet worden. Die fünf Forscher von der Lehr- und Forschungseinheit für Datenbanksysteme, Elke Achtert, Christian Böhm, Jörn David, Peer Kröger und Arthur Zimek, haben am 26. April 2008 in Atlanta (USA) den "Best Paper Honorable Mention Award" des internationalen Data-Mining Kongresses der Society for Industrial and Applied Mathematics entgegengenommen. Ihr Beitrag "Robust Clustering in Arbitrarily Oriented Subspaces" wurde von einem 140-köpfigen Komitee aus über 300 Einreichungen ausgewählt. Der Preis wurde bislang achtmal verliehen und geht dieses Jahr erstmals nach Deutschland. Die an der LMU entwickelte Datenanalyse-Technik des so genannten "Correlation Clustering" ("Gruppierung nach Abhängigkeit") dient dazu, in großen Datenbanken Objekte zu gruppieren, deren Merkmale ein einheitliches Regulierungsverhalten (mathematisch ausgedrückt: einheitliche Korrelationen) aufweisen. Mehr dazu hier.
- Best Paper Award der ACM SIGMOD International Conference (SIGMOD 1997).
Für den Beitrag "Fast Parallel Similarity Search in Multimedia Databases" erhalten Stefan Berchtold, Christian Böhm, Bernhard Braunmüller, Daniel Keim und Hans-Peter Kriegel den Best Paper Award der ACM SIGMOD Conference. Der Beitrag wurde aus ca. 400 eingereichten Arbeiten ausgewählt. Mehr dazu hier.
Forschungsinteressen:
Wir beschäftigen uns mit Applikationen der Ähnlichkeitssuche und der Datenanalyse in großen Datenbanken (Data Mining) mit dem Ziel, genetische, molekularbiologische, bildgebende und weitere medizinische Diagnoseverfahren zu unterstützen. Folgende Technologien werden hierbei entwickelt und eingesetzt:
- Similarity Search
- Density Based Clustering
- Functional Classification
- Subspace Clustering
- Correlation Clustering
|
Projekt 1: Correlation Clustering Data Mining Methoden dienen dazu, in umfangreichen
Datenbanken Muster, Regelmäßigkeiten, Klassifikationsregeln
usw. zu ermitteln. Ein Clustering-Verfahren ermittelt Teilmengen von
Objekten, die untereinander eine sehr starke Ähnlichkeit
aufweisen. Für zahlreiche Anwendungen ist es aber wichtig, nicht
nur auf der Basis von Ähnlichkeit zu gruppieren, sondern bei der
Gruppierung zusätzlich Attribut-Abhängigkeiten
(Korrelationen) zu berücksichtigen. Mit dem Correlation Clustering
entwickeln wir eine neuartige Methode, Gruppen von Objekten in einer
Datenbank zu ermitteln, die einheitliche Attribut-Korrelationen
aufweisen. Einheitliche Attributkorrelationen weisen darauf hin, dass
diese Objekte einer gemeinsamen Klasse von Objekten mit einheitlichen
Eigenschaften angehören. |
 |
| Projekt
2: Klassifikation in Metabolischen Daten In diesem Projekt wird ein Klassifikationsmodell für an Phenylketonurie (PKU) erkrankte Neugeborene entwickelt, wobei ausschließlich Parameter eines massenspektroskopisch ermittelten Metaboliten-Pathways (Aminosäuren) in das Modell einfließen. Zwecks weiterer Optimierung des Modells wurden Verfahren zur Dimensionsreduktion, wie z.B. die Faktorenanalyse, angewandt. Im Vergleich zu einem „golden standard“ Datensatz zeigte das entwickelte Modell eine Sensitivität und Spezifität größer als 99%. Projektpartner: BIOCRATES Life Sciences GmbH, Innsbruck |
 |
Bei Problemen oder Vorschlägen wenden Sie sich bitte an:
wwwmaster@dbs.informatik.uni-muenchen.de
Last Modified: