Data Mining / Jürgen Cleve, Uwe Lämmel
Mitwirkende(r): Resource type: Ressourcentyp: Buch (Online)Buch (Online)Sprache: Deutsch Reihen: De Gruyter eBook-Paket InformatikVerlag: München ; Berlin : De Gruyter, Oldenbourg, 2014Beschreibung: Online-Ressource (XII, 306 S.)ISBN:- 9783486720341
- 004
- 006.312
- 658.4038 22/ger
- 006.3/12
- 006.3/12 23
- 004
- QA76.9.D343
- QA76.9 .D343
Inhalte:
Zusammenfassung: Biographical note: Prof. Dr. Jürgen Cleve, Hochschule Wismar Prof. Dr. Uwe Lämmel, Hochschule WismarZusammenfassung: In den riesigen Datenbergen moderner Datenbanken steckt unentdecktes Wissen, das ohne geeignete Hilfsmittel kaum zu Tage gefördert werden kann. Hier setzt das Data Mining an und liefert Methoden und Algorithmen, um bisher unbekannte Zusammenhänge zu entdecken. Das Buch deckt den Stoff einer einsemestrigen Vorlesung zu Data Mining an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet Zusammenfassungen, zahlreiche Beispiele und Übungsaufgaben.Zusammenfassung: The mountains of data in modern databases conceal undiscovered knowledge that can only be brought to light with the right tools. Data Mining seeks to provide methods and algorithms to uncover previously unknown connections. The book covers the material in a one-semester university or technical college course on data mining and is conceived as a classical textbook. It includes summaries, numerous examples, and practice exercises.Original version: Originalfassung: 2014PPN: PPN: 165839836XPackage identifier: Produktsigel: ZDB-23-DEI14 | EBA-BACKALL | EBA-CL-CHCOMSGSEN | EBA-DGALL | EBA-EBKALL | EBA-STMALL | ZDB-23-GBA | ZDB-23-GPS | BSZ-23-DGG-Sachsen | BSZ-23-EBA-C1UB | GBV-deGruyter-alles | ZDB-23-DEI | ZDB-23-DGG | ZDB-23-GBA | ZDB-23-GPS
1 Einführung; 1.1 Auswertung von Massendaten; 1.2 Data Mining und Business Intelligence; 1.3 Ablauf einer Datenanalyse; 1.4 Interdisziplinarität; 1.5 Erfolgreiche Beispiele; 1.6 Werkzeuge; 1.6.1 KNIME; 1.6.2 WEKA; 1.6.3 JavaNNS; 2 Grundlagen des Data Mining; 2.1 Grundbegriffe; 2.2 Datentypen; 2.3 Abstands- und Ähnlichkeitsmaße; 2.4 Grundlagen Künstlicher Neuronaler Netze; 2.5 Logik; 2.6 Überwachtes und unüberwachtes Lernen; 3 Anwendungsklassen; 3.1 Cluster-Analyse; 3.2 Klassifikation; 3.3 Numerische Vorhersage; 3.4 Assoziationsanalyse; 3.5 Text Mining; 3.6 Web Mining; 4 Wissensrepräsentation
4.1 Entscheidungstabelle4.2 Entscheidungsbäume; 4.3 Regeln; 4.4 Assoziationsregeln; 4.5 Instanzenbasierte Darstellung; 4.6 Repräsentation von Clustern; 4.7 Neuronale Netze als Wissensspeicher; 5 Klassifikation; 5.1 K-Nearest Neighbour; 5.1.1 K-Nearest-Neighbour-Algorithmus; 5.1.2 Ein verfeinerter Algorithmus; 5.2 Entscheidungsbaumlernen; 5.2.1 Erzeugen eines Entscheidungsbaums; 5.2.2 Auswahl eines Attributs; 5.2.3 Der ID3-Algorithmus zur Erzeugung eines Entscheidungsbaums; 5.2.4 Entropie; 5.2.5 Der Gini-Index; 5.2.6 Der C4.5-Algorithmus; 5.2.7 Probleme beim Entscheidungsbaumlernen
5.2.8 Entscheidungsbaum und Regeln5.3 Naive Bayes; 5.3.1 Bayessche Formel; 5.3.2 Der Naive-Bayes-Algorithmus; 5.4 Vorwärtsgerichtete Neuronale Netze; 5.4.1 Architektur; 5.4.2 Das Backpropagation-of-Error-Lernverfahren; 5.4.3 Modifikationen des Backpropagation-Algorithmus; 5.4.4 Ein Beispiel; 5.5 Support Vector Machines; 5.5.1 Grundprinzip; 5.5.2 Formale Darstellung von Support Vector Machines; 5.5.3 Ein Beispiel; 6 Cluster-Analyse; 6.1 Arten der Cluster-Analyse; 6.2 Der k-Means-Algorithmus; 6.3 Der k-Medoid-Algorithmus; 6.4 Erwartungsmaximierung; 6.5 Agglomeratives Clustern
6.6 Dichtebasiertes Clustern6.7 Clusterbildung mittels selbstorganisierender Karten; 6.7.1 Aufbau; 6.7.2 Lernen; 6.7.3 Visualisierung einer SOM; 6.7.4 Ein Beispiel; 6.8 Clusterbildung mittels neuronaler Gase; 6.9 Clusterbildung mittels ART; 7 Assoziationsanalyse; 7.1 Der A-Priori-Algorithmus; 7.1.1 Generierung der Kandidaten; 7.1.2 Erzeugen der Regeln; 7.2 Frequent Pattern Growth; 7.3 Assoziationsregeln für spezielle Aufgaben; 7.3.1 Hierarchische Assoziationsregeln; 7.3.2 Quantitative Assoziationsregeln; 7.3.3 Erzeugung von temporalen Assoziationsregeln; 8 Datenvorbereitung; 8.1 Motivation
8.2 Arten der Datenvorbereitung8.2.1 Datenselektion und -integration; 8.2.2 Datensäuberung; 8.2.3 Datenreduktion; 8.2.4 Datentransformation; 8.3 Ein Beispiel; 9 Bewertung; 9.1 Prinzip der minimalen Beschreibungslängen; 9.2 Interessantheitsmaße für Assoziationsregeln; 9.2.1 Support; 9.2.2 Konfidenz; 9.2.3 Gain-Funktion; 9.2.4 p-s-Funktion; 9.2.5 Lift; 9.3 Gütemaße und Fehlerkosten; 9.3.1 Fehlerraten; 9.3.2 Weitere Gütemaße für Klassifikatoren; 9.3.3 Fehlerkosten; 9.4 Testmengen; 9.5 Qualität von Clustern; 9.6 Visualisierung; 10 Eine Data-Mining-Aufgabe; 10.1 Die Aufgabe; 10.2 Das Problem
10.3 Die Daten
Literaturverz. S. [297] - 301
Dieser Titel hat keine Exemplare
Restricted Access; Controlled Vocabulary for Access Rights: online access with authorization star
http://purl.org/coar/access_right/c_16ec.
2014
Systemvoraussetzungen: Internet-Zugriff, Adobe Acrobat Reader.
In German