Cleve / Lämmel Data Mining

1. Auflage 2014
ISBN: 978-3-486-72034-1
Verlag: De Gruyter
Format: PDF
Kopierschutz: Adobe DRM (»Systemvoraussetzungen)

E-Book, Deutsch, 318 Seiten

Reihe: De Gruyter Studium

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.

Zielgruppe

For university and technical college students in Master’s level c / Für Studierende Informatik naher Studiengänge im Master an Univer

Autoren/Hrsg.

Cleve, Jürgen

Lämmel, Uwe

Fachgebiete

• Mathematik | Informatik EDV | Informatik Daten / Datenbanken Data Mining

Inhaltsverzeichnis

1;1 Einführung;13
1.1;1.1 Auswertung von Massendaten;13
1.2;1.2 Data Mining und Business Intelligence;15
1.3;1.3 Ablauf einer Datenanalyse;16
1.4;1.4 Interdisziplinarität;23
1.5;1.5 Erfolgreiche Beispiele;26
1.6;1.6 Werkzeuge;28
1.6.1;1.6.1 KNIME;29
1.6.2;1.6.2 WEKA;38
1.6.3;1.6.3 JavaNNS;43
2;2 Grundlagen des Data Mining;49
2.1;2.1 Grundbegriffe;49
2.2;2.2 Datentypen;51
2.3;2.3 Abstands- und Ähnlichkeitsmaße;55
2.4;2.4 Grundlagen Künstlicher Neuronaler Netze;59
2.5;2.5 Logik;64
2.6;2.6 Überwachtes und unüberwachtes Lernen;67
3;3 Anwendungsklassen;69
3.1;3.1 Cluster-Analyse;69
3.2;3.2 Klassifikation;71
3.3;3.3 Numerische Vorhersage;73
3.4;3.4 Assoziationsanalyse;75
3.5;3.5 Text Mining;77
3.6;3.6 Web Mining;78
4;4 Wissensrepräsentation;81
4.1;4.1 Entscheidungstabelle;81
4.2;4.2 Entscheidungsbäume;83
4.3;4.3 Regeln;84
4.4;4.4 Assoziationsregeln;85
4.5;4.5 Instanzenbasierte Darstellung;91
4.6;4.6 Repräsentation von Clustern;91
4.7;4.7 Neuronale Netze als Wissensspeicher;92
5;5 Klassifikation;95
5.1;5.1 K-Nearest Neighbour;95
5.1.1;5.1.1 K-Nearest-Neighbour-Algorithmus;97
5.1.2;5.1.2 Ein verfeinerter Algorithmus;101
5.2;5.2 Entscheidungsbaumlernen;104
5.2.1;5.2.1 Erzeugen eines Entscheidungsbaums;104
5.2.2;5.2.2 Auswahl eines Attributs;106
5.2.3;5.2.3 Der ID3-Algorithmus zur Erzeugung eines Entscheidungsbaums;108
5.2.4;5.2.4 Entropie;116
5.2.5;5.2.5 Der Gini-Index;118
5.2.6;5.2.6 Der C4.5-Algorithmus;118
5.2.7;5.2.7 Probleme beim Entscheidungsbaumlernen;120
5.2.8;5.2.8 Entscheidungsbaum und Regeln;121
5.3;5.3 Naive Bayes;123
5.3.1;5.3.1 Bayessche Formel;123
5.3.2;5.3.2 Der Naive-Bayes-Algorithmus;124
5.4;5.4 Vorwärtsgerichtete Neuronale Netze;129
5.4.1;5.4.1 Architektur;129
5.4.2;5.4.2 Das Backpropagation-of-Error-Lernverfahren;131
5.4.3;5.4.3 Modifikationen des Backpropagation-Algorithmus;135
5.4.4;5.4.4 Ein Beispiel;137
5.5;5.5 Support Vector Machines;140
5.5.1;5.5.1 Grundprinzip;140
5.5.2;5.5.2 Formale Darstellung von Support Vector Machines;142
5.5.3;5.5.3 Ein Beispiel;144
6;6 Cluster-Analyse;147
6.1;6.1 Arten der Cluster-Analyse;147
6.2;6.2 Der k-Means-Algorithmus;151
6.3;6.3 Der k-Medoid-Algorithmus;160
6.4;6.4 Erwartungsmaximierung;165
6.5;6.5 Agglomeratives Clustern;167
6.6;6.6 Dichtebasiertes Clustern;172
6.7;6.7 Clusterbildung mittels selbstorganisierender Karten;175
6.7.1;6.7.1 Aufbau;175
6.7.2;6.7.2 Lernen;176
6.7.3;6.7.3 Visualisierung einer SOM;179
6.7.4;6.7.4 Ein Beispiel;180
6.8;6.8 Clusterbildung mittels neuronaler Gase;182
6.9;6.9 Clusterbildung mittels ART;184
7;7 Assoziationsanalyse;187
7.1;7.1 Der A-Priori-Algorithmus;187
7.1.1;7.1.1 Generierung der Kandidaten;189
7.1.2;7.1.2 Erzeugen der Regeln;191
7.2;7.2 Frequent Pattern Growth;197
7.3;7.3 Assoziationsregeln für spezielle Aufgaben;201
7.3.1;7.3.1 Hierarchische Assoziationsregeln;201
7.3.2;7.3.2 Quantitative Assoziationsregeln;202
7.3.3;7.3.3 Erzeugung von temporalen Assoziationsregeln;204
8;8 Datenvorbereitung;207
8.1;8.1 Motivation;207
8.2;8.2 Arten der Datenvorbereitung;209
8.2.1;8.2.1 Datenselektion und -integration;210
8.2.2;8.2.2 Datensäuberung;211
8.2.3;8.2.3 Datenreduktion;218
8.2.4;8.2.4 Datentransformation;221
8.3;8.3 Ein Beispiel;227
9;9 Bewertung;233
9.1;9.1 Prinzip der minimalen Beschreibungslängen;234
9.2;9.2 Interessantheitsmaße für Assoziationsregeln;234
9.2.1;9.2.1 Support;235
9.2.2;9.2.2 Konfidenz;235
9.2.3;9.2.3 Gain-Funktion;237
9.2.4;9.2.4 p-s-Funktion;238
9.2.5;9.2.5 Lift;239
9.3;9.3 Gütemaße und Fehlerkosten;239
9.3.1;9.3.1 Fehlerraten;239
9.3.2;9.3.2 Weitere Gütemaße für Klassifikatoren;240
9.3.3;9.3.3 Fehlerkosten;242
9.4;9.4 Testmengen;243
9.5;9.5 Qualität von Clustern;245
9.6;9.6 Visualisierung;247
10;10 Eine Data-Mining-Aufgabe;257
10.1;10.1 Die Aufgabe;257
10.2;10.2 Das Problem;258
10.3;10.3 Die Daten;260
10.4;10.4 Datenvorbereitung;265
10.5;10.5 Experimente;268
10.5.1;10.5.1 K-Nearest Neighbour;270
10.5.2;10.5.2 Naive Bayes;272
10.5.3;10.5.3 Entscheidungsbaumverfahren;274
10.5.4;10.5.4 Neuronale Netze;277
10.6;10.6 Auswertung der Ergebnisse;284
11;A Anhang;287
11.1;A.1 Iris-Daten;287
11.2;A.2 Sojabohnen;289
11.3;A.3 Wetter-Daten;291
11.4;A.4 Kontaktlinsen-Daten;293
12;Abbildungsverzeichnis;295
13;Tabellenverzeichnis;303
14;Verzeichnis der Symbole;305
15;Verzeichnis der Abkürzungen;307
16;Literaturverzeichnis;309
17;Index;315

Über Autor(innen)

Prof. Dr. Jürgen Cleve, Hochschule Wismar Prof. Dr. Uwe Lämmel, Hochschule Wismar