By Gholamreza Nakhaeizadeh

ISBN-10: 364286094X

ISBN-13: 9783642860942

ISBN-10: 3790810533

ISBN-13: 9783790810530

Die Extraktion von verwertbarem Wissen aus Daten ist ein Thema, das angesichts der Menge des zur Zeit verfügbaren Datenmaterials mehr und mehr an Aktualität gewinnt. Dieses Buch befaßt sich mit theoretischen und Anwendungsaspekten des information Mining. information Mining ist die Anwendung geeigneter Verfahren zur Wissensentdeckung in großen Datenbeständen und Kern eines Prozesses, der in der Literatur als "Knowledge Discovery in Databases" (KDD) beschrieben wird. Datei Mining und KDD haben sowohl interessante Forschungs- als auch Anwendungsaspekte. Sie bringen einerseits als interdisziplinäre Wissenschaft neue Herausforderungen für die Forschung auf Gebieten wie Statistik, maschinelles Lernen und Datenbanken. Andererseits sind sie für verschiedene praktische Anwendungen wie etwa advertising and marketing, Logistik, Risikometrie, Qualitätssicherung, Konstruktion und Produktionsmanagement von großer Bedeutung. Die Beiträge dieses Buches sprechen diese beiden Aspekte an.

Show description

Read Online or Download Data Mining: Theoretische Aspekte und Anwendungen PDF

Best german_4 books

Gholamreza Nakhaeizadeh's Data Mining: Theoretische Aspekte und Anwendungen PDF

Die Extraktion von verwertbarem Wissen aus Daten ist ein Thema, das angesichts der Menge des zur Zeit verfügbaren Datenmaterials mehr und mehr an Aktualität gewinnt. Dieses Buch befaßt sich mit theoretischen und Anwendungsaspekten des info Mining. information Mining ist die Anwendung geeigneter Verfahren zur Wissensentdeckung in großen Datenbeständen und Kern eines Prozesses, der in der Literatur als "Knowledge Discovery in Databases" (KDD) beschrieben wird.

Extra resources for Data Mining: Theoretische Aspekte und Anwendungen

Sample text

U. noch eine Reihe weiterer Tätigkeiten zur Verarbeitung der Daten durchgefiihrt, bspw. Indexe angelegt oder Sortierungen, Aggregierungen, Partitionierungen und zusätzliche Integritätsprüfungen vorgenommen. Für das Aktualisieren ist festzulegen, in welchen Abständen und in welchem Umfang dies geschehen soll. R. einen kompletten Abzug der Daten. al. al. (1995)]. Schicht 3: Data Warehouse Management Das Data Warehouse als Ergebnis der Zusammenfiihrung umfaßt die gesamten für den Geschäfts- bzw. R.

Kohonen, T. (1988). Se/f-Organization and Associative Memory. Berlin: Springer. Kolodner, J. (1993). Case-Based Reasoning. San Mateo, CA: Morgan-Kaufinann. , Goldman, R. & Samad, T. (1996). Imputation ofMissing Data Using Machine Leaming Techniques. , Han, J. & Fayyad, U. ). Proceedings 0/ the 2nd International Conference on Knowledge Discovery and Data Mining. August, 2-4, Portland, Oregon. Menlo Park, CA: AAAI Press, pp. 140-145. Langley, P. (1994). Selection ofRelevant Features in Machine Learning.

Es gibt jedoch viele Verfahren, die in der Lage sind stetige Zielvariablen direkt und ohne Diskretisierung zu behandeln. Neben den bekannten statistischen Methoden wie einfache und multiple Regressionsanalyse und Box-JenkinsVeifahren (Pindyck & Rubinfeld, 1991) sind auch zahlreiche Neuronale Netzwerke zur Prognose geeignet (vgl. Anders, 1997 und dort angegebene Literatur; JafarShaghaghi, 1996). , 1984), M5 (Quinlan, 1993b), die auch zur Prognose verwendet werden können. , 1996, Westphal & Nakhaeizadeh; 1996; Steurer, 1997).

Download PDF sample

Data Mining: Theoretische Aspekte und Anwendungen by Gholamreza Nakhaeizadeh


by Donald
4.1

Rated 4.61 of 5 – based on 43 votes