Data Mining

Cover
Walter de Gruyter GmbH & Co KG, 20.08.2014 - 318 Seiten
0 Rezensionen
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.
 

Was andere dazu sagen - Rezension schreiben

Es wurden keine Rezensionen gefunden.

Inhalt

Abb 9
1-9
1
1-47
1
1-93
1
1-111
15
1-134
1
6-95
1
9-6
1
9-10
1
9-47
Tabelle A 1
9-61
Urheberrecht

Andere Ausgaben - Alle anzeigen

Häufige Begriffe und Wortgruppen

Abbildung Abschnitt Abstand Abstandsmaß Ähnlichkeit Algorithmus Anzahl Assoziationsanalyse Assoziationsregeln aufden Aufgabe Ausder Ausprägungen Beispiel beispielsweise berechnen berechnet bestimmt beziehungsweise Centroid Claudia Cluster Clusterbildung Clustering Codierung dargestellt Darstellung Data Mining Daten Datenanalyse Datenbank Datenmenge Datensätze Datentypen Datenvorbereitung Datenvorverarbeitung DieDaten Distanz Eingabe-Schicht Entscheidungsbaum Entscheidungstabelle Ergebnisse euklidische Distanz euklidischen Abstand Experiment fehlende Werte Fehlerrate Fehlersignal folgende Frequent Itemsets fürdie gegebenen Gewinner-Neuron gibt Gudrun Hamming-Distanz Häufigkeit Hyperebene InAbbildung inder Indiesem Information Integer Interessantheitsmaße Intervalle Iris-Daten Items JAVANNS jeweiligen k-Means k-Nearest Neighbour Kandidaten Klasse Klassifikation KNIME Konfidenz korrekt Kunden künstliches neuronales Netz Listing Medoid Menge Merkmale metrische mitdem möglich muss Muster neuronales Gas Neuronen Nichtkündiger nominale numerische Attribute Objekte ordinale Partitionierende power_consumption Punkte Regel Resultate Schritt Seite selbstorganisierenden Karte siehe sinnvoll somit sowie supp(A Support Vector Machines Tabelle Tausch_erfolgt Teilmenge Testmenge Trainingsdaten Trainingsmenge überwachten Lernen unserer unterschiedlichen Variante Vektor Verfahren Visualisierung Vorhersage vorwärtsgerichteter neuronaler Netze Warenkorbanalyse WEKA Wertebereich Wetter-Beispiel Zielattribut Zusammenhang

Über den Autor (2014)

Prof. Dr. J rgen Cleve, Hochschule Wismar

Prof. Dr. Uwe L mmel, Hochschule Wismar

Bibliografische Informationen