Search

Die Dissertation behandelt das Thema Benchmarking in der Clusteranalyse aus zwei Perspektiven. Einerseits wurde eine Benchmarkingstudie zu einer konkreten Fragestellung durchgeführt, und zwar ob stabilitätsorientierte Validierung von Clusteringmodellen einen entscheidenden Vorteil im Vergleich zu einfacher Validierung bietet und wenn ja, ob die Art und Weise des Ziehens der Resampling-Datensätze aus dem Gesamtdatensatz eine Rolle spielt. Diese Fragestellungen wurden im Zusammenhang mit interner und externer Modellvalidierung untersucht. Ergebnisse der Studie zeigen, dass resampling-basierte externe Validierung tendentiell bessere Resultate liefert. Erkenntnisse aus der Durchführung der Studie zogen Überlegungen zu grundlegenden Konzepten zur Durchführung von Benchmarkingstudien nach sich. Es wurde daher ein struktureller Rahmen zur Implementation von Benchmarking in R generell erstellt und weiters ein R Paket und eine Webapplikation zu einem spezifischen Teilaspekt des Benchmarkings, der Erzeugung von künstlichen Daten., The doctoral thesis covers the topic of benchmarking in cluster analysis from two perspectives. On the one hand, a benchmarking study was conducted on a specific issue, namely whether stability-oriented validation of clustering models offers a decisive advantage over simple validation and, if so, whether the way of extracting the resampling data sets from the overall data set plays a role. These questions were investigated in the context of internal and external model validation. Findings from the study show that resampling-based external validation tends to yield better results. Lessons learned from the implementation of the study led to considerations on basic concepts for the implementation of benchmarking studies. Therefore, a structural framework for the implementation of benchmarking in R in general was established and furthermore an R package and a web application for a specific aspect of benchmarking, the generation of artificial data, was developed.

Evaluating new methods and algorithms in unsupervised learning obviously requires thorough benchmarking studies on data sets that most closely reflect performance in actual usage. Designing data sets that do exactly that is quite a challenging task in itself; standing up to the challenge in comparison to other methods is another point which poses a risk of compromising the goal of an objective benchmarking study. We want to address the latter by proposing a framework that standardizes the format of artificial data, or rather its metadata. We intend to introduce a web repository that functions as an exchange for metadata of artificial data and an accompanying R package that can generate actual data from the descriptions obtained from the repository. It is therefore much simpler to find data designed by others and which has been used in previous benchmarking studies. This removes some of the temptation to specifically design artificial data in a way so that a proposed method performs significantly better than existing ones, a claim that might not hold in real life applications.

Diese Diplomarbeit präsentiert einen unkonventionellen Zugang zur Didaktik der Informatik - Musik und musikalische Strukturen und deren Anwendung im Programmierunterricht. Nach der kritischen Betrachtung einiger Lerntheorien und deren Relevanz im Informatikunterricht werden diverse Methoden präsentiert, die für den Informatikunterricht von besonderer Bedeutung sind. Die Diplomarbeit beruht auf der Hypothese, dass sich Datenstrukturen und Algorithmen, essentielle Konzepte der Programmierung, durch Musik bzw. musikalische Strukturen darstellen lassen. Zu diesem Zweck wird auch ein Unterrichtskurs sowie ein begleitendes Arbeitsheft erstellt, sowohl für höhere Schulen als auch für Universitätskurse. Weiters wird die Hypothese in einem praktischen Unterrichtsprojekt mit Studenten auf die Probe gestellt. Hierbei stellt sich heraus, dass tatsächlich musikalische Strukturen hervorragend geeignet sind, fundamentale Konzepte des Programmierens zu erklären., This thesis presents an unconventional approach to didactics of computer science - music and musical structures applied in programming instruction. After looking at several learning theories with regard to their relevance for teaching computer science, a few methods vital for good CS teaching are presented. The thesis' central hypothesis is that essential concepts for programming such as algorithms and data structures can be taught by using music as a starting point and musical structures as models for abstract data structures. For this purpose a workbook for students is created and a teaching sequence is proposed that implements the hypothesis for high school or university teaching courses. Finally an evaluation carried out with a sample group of university students tests the hypothesis in practice.