Modulnummer

Modulbezeichnung

Titel (englisch)

Pflicht/Wahl

Erklärung

CP

Berechnung des Workloads

Turnus

Dauer

Form

Prüfung

Anforderungen

Lernziele

• In der Terminologie des Fachgebietes Datenbanken kommunizieren können, Teilprobleme und Methodiken des Gebietes unterscheiden und klassifizieren können.

• Methoden der Schemaabbildungen zwischen relationalen Datenquellen verstehen und anwenden können.

• Möglichkeiten zur Informationsextraktion (z.B. aus Web Seiten) verstehen und bewerten können.

• Mechanismen zum Umgang mit fehlerhaften Daten verstehen und anwenden können.

• Datenprovenienz innerhalb von relationalen Datenbanken modellieren können.

Lerninhalte

• Datenbankkonzepte: Integritätsbedingungen, konjunktive Anfragen (kA), Datalog Programme

• Anfrageäquivalenz und Enthaltensein: kAs, Vereinigungen von kAs, kAs mit Negation, Multimengen und Aggregation

• Anfrageauswertung auf Views: Bucket und MiniCon Algorithmus, Inversregel Algorithmus, Updates auf Views

• Ontologie-Basierter Datenzugriff: Ontologiesprachen, DL-LITE, Rewriting versus Unfolding

• Abbildungen von Schemata: Global-as-View (GAV), Local-as-View (LAV), Global-and-Local-as-View (GLAV), Tupelgenerierende Abhängigkeiten

• Anfrageauswertung mit/ohne Bedingungen: GAV, LAV, und GLAV settings, Auswertung vs. Rewriting

• Wrappers: manuelle und lernbasierte Konstruktion, Web-Wrappers, Systeme: Stalker, Poly und Lito

• Umgang mit Unsicherheit und fehlerhaften Daten: zuverlässige Antworten, probabilistische Datenbanken, probabilistische Schemaabbildungen

• Datenprovenienz: Annotationen und Datenabhaengigkeitsgraphen, der Provenienzhalbring

Quellen

AnHai Doan, Alon Halevy, Zachary Ives: Principles of Data Integration, Morgan Kaufmann, 2012

Dan Such, Dan Olteanu, Christopher Re, Christoph Koch: Probabilistic Databases, Morgan & Claypool Publishers, 2011

Sprache

Bemerkung

Zuletzt geändert