Data MiningWalter de Gruyter, 03.02.2014 - 318 Seiten 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. Nach der Vermittlung der Grundlagen und Anwendungsklassen des Data Mining in den ersten beiden Kapiteln wird in Kapitel 3 auf geeignete Darstellungsmöglichkeiten für Data-Mining-Modelle eingegangen; Kapitel 4 behandelt die Algorithmen und Verfahrensklassen, Kapitel 5 geht auf konkrete Anwendungsarchitekturen ein. 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. |
Inhalt
1 | |
2 Grundlagen des Data Mining | 37 |
3 Anwendungsklassen | 57 |
4 Wissensrepräsentation | 69 |
5 Klassifikation | 83 |
6 ClusterAnalyse | 135 |
7 Assoziationsanalyse | 175 |
8 Datenvorbereitung | 195 |
10 Eine DataMiningAufgabe | 245 |
A Anhang | 275 |
Abbildungsverzeichnis | 283 |
Tabellenverzeichnis | 291 |
Verzeichnis der Symbole | 293 |
Verzeichnis der Abkürzungen | 295 |
297 | |
303 | |
Andere Ausgaben - Alle anzeigen
Häufige Begriffe und Wortgruppen
Abbildung Abschnitt Abstand Abstandsmaß Ähnlichkeit Algorithmus Anzahl Assoziationsanalyse Assoziationsregeln Attribute Beispiel beispielsweise berechnen berechnet Centroid Cluster Clusterbildung Clustering Codierung cool normal CSV Reader dargestellt Data Mining Daten Datenanalyse Datenmenge Datensätze Datentypen Datenvorbereitung Datenvorverarbeitung diskret Distanz Entscheidungsbaum Entscheidungstabelle Ergebnis euklidische Distanz Experiment fehlenden Werte Fehlerrate folgende Frequent Itemsets Gewinner-Neuron gibt Größe Hamming-Distanz häufig high false humidity Information Integer Iris-Daten Iris-setosa Items Java Snippet JavaNNS k-Means k-Nearest Neighbour Klasse Klassifikation Klassifikationsdaten Knime Knoten Konfidenz korrekt Kunden künstliches neuronales Netz logische Formeln Medoid Menge Merkmale mild high Missing Value mittels möglich muss Muster Naive Bayes neuronales Gas Neuronen nominale normal false yes numerische Attribute Objekte ordinale outlook overcast power_consumption Punkte Regel Resultate Schritt Schwellwert selbstorganisierende Karte sepal length siehe somit sowie sunny supp(A Support Support Vector Machines Tabelle Teilmenge Testdaten Testmenge Trainings Trainingsdaten Trainingsmenge true yes überwachten Lernen unsere unterschiedlichen Variante Verfahren Visualisierung vorwärtsgerichtetes neuronales Netz Warenkorbanalyse Web Mining Weka Wetter-Beispiel windy Zielattribut