4 in 1
4 in 1
4 in 1
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
1.3 Inhalt und Aufbau der Vorlesung<br />
1.3 Inhalt und Aufbau der Vorlesung<br />
Aufbau der Vorlesung (1)<br />
1. E<strong>in</strong>leitung<br />
2. Grundlagen des KDD<br />
Statistik, Datenbanksysteme, OLAP, Preprocess<strong>in</strong>g<br />
Aufbau der Vorlesung (2)<br />
Überwachte Verfahren<br />
5. Klassifikation<br />
Bayes-, nächste-Nachbarn- und Entscheidungsbaum-Klassifikatoren, SVM<br />
Unüberwachte Verfahren<br />
3. Cluster<strong>in</strong>g<br />
partitionierende und hierarchische Verfahren, Verfahren aus DBS-Sicht, neue<br />
Anforderungen und Techniken des Cluster<strong>in</strong>g<br />
4. Assoziationsregeln<br />
e<strong>in</strong>fache Assoziationsregeln, Algorithmus Apriori, E<strong>in</strong>beziehung von<br />
Taxonomien, numerische Attribute<br />
6. Besondere Datentypen und -anwendungen<br />
Temporal Data M<strong>in</strong><strong>in</strong>g, Spatial Data M<strong>in</strong><strong>in</strong>g, Web M<strong>in</strong><strong>in</strong>g<br />
7. Text M<strong>in</strong><strong>in</strong>g<br />
L<strong>in</strong>guistische Vorverarbeitung, Text Cluster<strong>in</strong>g<br />
8. Andere Paradigmen<br />
<strong>in</strong>duktive Logik-Programmierung, genetische Algorithmen, neuronale Netze,<br />
Visualisierung großer Datenmengen<br />
Vorlesung Knowledge Discovery<br />
37<br />
Vorlesung Knowledge Discovery<br />
38<br />
1.3 Inhalt und Aufbau der Vorlesung<br />
1.3 Inhalt und Aufbau der Vorlesung<br />
Literatur<br />
Textbuch der Vorlesung<br />
– Ester M., Sander J., „Knowledge Discovery <strong>in</strong> Databases: Techniken und<br />
Anwendungen“, Spr<strong>in</strong>ger Verlag, September 2000.<br />
Weitere Bücher<br />
– Berthold M., Hand D. J. (eds.), „Intelligent Data Analysis: An Introduction“,<br />
Spr<strong>in</strong>ger Verlag, Heidelberg, 1999.<br />
– T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learn<strong>in</strong>g.<br />
Spr<strong>in</strong>ger, 2001.<br />
- U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth and R. Uthurasamy. Advances <strong>in</strong><br />
Knowledge Discovery and Data M<strong>in</strong><strong>in</strong>g. Cambridge, London. MIT press, 1996.<br />
- P. Chapman, J. Cl<strong>in</strong>ton, R. Kerber, T. Khabaza, T. Re<strong>in</strong>artz, C. Shearer, R. Wirth:<br />
CRoss Industry Standard Process for Data M<strong>in</strong><strong>in</strong>g, 1999, http://www.crispdm.org/<br />
- Weitere Literatur f<strong>in</strong>det sich auf der Homepage der Vorlesung und unter<br />
http://www.bibsonomy.org/tag/kdd+lecture.<br />
– Han J., Kamber M., „Data M<strong>in</strong><strong>in</strong>g: Concepts and Techniques“, Morgan<br />
Kaufmann Publishers, August 2000.<br />
– Mitchell T. M., „Mach<strong>in</strong>e Learn<strong>in</strong>g“, McGraw-Hill, 1997.<br />
– Witten I. H., Frank E., „Data M<strong>in</strong><strong>in</strong>g: Practical Mach<strong>in</strong>e Learn<strong>in</strong>g Tools and<br />
Techniques with Java Implementations“, Morgan Kaufmann Publishers, 2000.<br />
Vorlesung Knowledge Discovery<br />
39<br />
Vorlesung Knowledge Discovery<br />
40