Data Mining – Suche nach verborgenen Mustern

Weitere Magazine

Empfehlungen

Info

Numerische Vorhersage - Beispiel Wie viele Prüfungsbögen sollen zur Nachprüfung gedruckt werden? Daten: Modell: I. Boersch, FH Brandenburg, 22.05.2013 KI - DM 32
Numerische Vorhersage - Beispiel • Es gäbe einen Benchmark für Computer, der <strong>nach</strong> langer Rechenzeit einen „Performancewert“ ausgibt. • Sagen Sie aus den Konfigurationsdaten eines PCs (cycle time [ns], main memory [KB, min, max], cache size [KB, min, max], channels) die Performance vorher. Lineares Regressionsmodell p = 0.0661 * MYCT + 0.0142 * MMIN + 0.0066 * MMAX + 0.4871 * CACH + 1.1868 * CHMAX + -66.5968 • Gegeben sind Studentendatensätze mit Notenprofil. Erstellen Sie ein Modell zur Vorhersage der Note der Abschlussarbeit. Möglich? I. Boersch, FH Brandenburg, 22.05.2013 KI - DM 33
Seite 1 und 2: Data Mining - Suche nach verborgene
Seite 3 und 4: Hausaufgabe: Rapidminer kennenlerne
Seite 5 und 6: Ausgangsfrage Ist es möglich, die
Seite 7 und 8: Übersicht • Data Mining (DM) und
Seite 9 und 10: Phasen des KDD Datenselektion / -ex
Seite 11 und 12: Data Mining: Finden von Mustern Ein
Seite 13 und 14: Anwendungsbeispiele - Wie erkennt d
Seite 15 und 16: 2013 • Gegenwart: - dm: Personalp
Seite 17 und 18: Kaggle - Outsourcing von Data Minin
Seite 19 und 20: 1. Aufgabe: Klassifikation Lernverf
Seite 21 und 22: 2 Phasen der Klassifikation Klassif
Seite 23 und 24: File dmc2006_train.txt I. Boersch,
Seite 25 und 26: DM-Cup 2008 - Kündigerprävention
Seite 27 und 28: Herzinfarkterkennung in der Notaufn
Seite 29 und 30: 2. Aufgabe: Numerische Vorhersage
Seite 31: Beispiel: Berechnung der Regression
Seite 35 und 36: Clustering - Beispiel Kundensegment
Seite 37 und 38: k-means • Start: wähle zufällig
Seite 39 und 40: k-means Beispiel Xindong Wu, Vipin
Seite 41 und 42: Clustering - Selbstorganisierende K
Seite 43 und 44: 4. Aufgabe: Abhängigkeitsanalyse
Seite 45 und 46: Korrelaon ≠ Kausalität Vorsicht:
Seite 47 und 48: [Text-Mining] Eher ein Anwendungsge
Seite 49 und 50: Sie kennen jetzt die Aufgabenstellu
Seite 51 und 52: Anwendbarkeit beim Data Mining I. B
Seite 53 und 54: Transparenz (Verständlichkeit der
Seite 55 und 56: Häufig genutzte Methoden Data mini
Seite 57 und 58: Ein Spiel an frischer Luft outlook
Seite 59 und 60: Ein Entscheidungsbaum • Jeder Kno
Seite 61 und 62: Testfunktionen in den Knoten Die Ar
Seite 63 und 64: Zerlegung des Raumes Zerlegung des
Seite 65 und 66: Zerlegung des Merkmalsraumes bei mu
Seite 67 und 68: Next • DM und KDD, Phasen • Auf
Seite 69 und 70: TDIDT Erzeuge Wurzelknoten k Berech
Seite 71 und 72: TDIDT: Verlauf der Suche Beispiel (
Seite 73 und 74: Das beste Attribut? outlook tempera
Seite 75 und 76: Unreinheit der Zerlegung E(H) outlo
Seite 77 und 78: Konstruiertes Gegenbeispiel: Wenn d
Seite 79 und 80: Entropie von Symbolmengen A K2 t1 t
Seite 81 und 82: Entropie bei zwei Klassen 1 0.9 -x*
Seite 83 und 84:
Entropie einer Verteilung (Unreinhe
Seite 85 und 86:
Beispiel: Entropie der Aufteilung a
Seite 87 und 88:
Zusammenfassung Gain(S,A) Gain(S,A)
Seite 89 und 90:
Eine alte Aufgabe I. Boersch, FH Br
Alle anzeigen

Data Mining – Suche nach verborgenen Mustern

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?