Data Mining (Buch) 3. Auflage

Aus Kompetenzportal
Wechseln zu: Navigation, Suche
Data Mining (Buch) 3. Auflage
Autor Jürgen Cleve, Uwe Lämmel
Verlag De Gruyter
Erscheinungsort Berlin
Erscheinungsjahr 2020
Seitenzahl
ISBN 978-3-11-067627-3
Hyperlink http://www.wi.hs-wismar.de/dm-buch


Buchcover Data Mining

Data Mining liefert Methoden und Algorithmen, um bisher unbekannte Zusammenhänge in großen Datenmengen zu entdecken.

Das Buch deckt den Stoff einer einsemestrigen Vorlesung an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet eine Einführung in die wesentlichen Anwendungsgebiete und behandelt die zugehörigen Algorithmen. Die Beispiele und Aufgaben können mit frei verfügbaren Werkzeugen bearbeitet werden.

Die dritte Auflage enthält inhaltliche Erweiterungen und Aktualisierungen, insbesondere die Einordnung des Themas Data Mining in den Kontext der Begriffe KI, Big Data, Data Science, Machine Learning.

Inhaltsverzeichnis

  1. Einführung
    1. Auswertung von Massendaten
    2. Ablauf einer Datenanalyse
    3. Das Vorgehensmodell von Fayyad
    4. Interdisziplinarität von Data Mining
    5. Wozu Data Mining?
    6. Werkzeuge
  2. Grundlagen des Data Mining
    1. Grundbegriffe
    2. Datentypen
    3. Abstands- und Ähnlichkeitsmaße
    4. Grundlagen Künstlicher Neuronaler Netze
    5. Logik
    6. Überwachtes und unüberwachtes Lernen
  3. Anwendungsklassen
    1. Cluster-Analyse
    2. Klassifikation
    3. Numerische Vorhersage
    4. Assoziationsanalyse
    5. Text Mining
    6. Web Mining
  4. Wissensrepräsentation
    1. Entscheidungstabelle
    2. Entscheidungsbäume
    3. Regeln
    4. Assoziationsregeln
    5. Instanzenbasierte Darstellung
    6. Repräsentation von Clustern
    7. Neuronale Netze als Wissensspeicher
  5. Klassifikation
    1. K-Nearest Neighbour
    2. Entscheidungsbaumlernen
    3. Naive Bayes|116
    4. Vorwärtsgerichtete Neuronale Netze
    5. Support Vector Machines
    6. Ensemble Learning
  6. Cluster-Analyse
    1. Arten der Cluster-Analyse
    2. Der k-Means-Algorithmus
    3. Der k-Medoid-Algorithmus
    4. Erwartungsmaximierung
    5. Agglomeratives Clustern
    6. Dichtebasiertes Clustern
    7. Cluster-Bildung mittels selbstorganisierender Karten|
    8. Cluster-Bildung mittels neuronaler Gase
    9. Cluster-Bildung mittels ART
    10. Der Fuzzy-c-Means-Algorithmus
  7. Assoziationsanalyse
    1. Der A-Priori-Algorithmus
    2. Frequent Pattern Growth
    3. Assoziationsregeln für spezielle Aufgaben
  8. Datenvorbereitung
    1. Motivation
    2. Arten der Datenvorbereitung
    3. Ein Beispiel
  9. Bewertung
    1. Prinzip der minimalen Beschreibungslängen
    2. Interessantheitsmaße für Assoziationsregeln
    3. Gütemaße und Fehlerkosten
  10. Eine Data-Mining-Aufgabe
    1. Die Aufgabe
    2. Das Problem
    3. Die Daten
    4. Datenvorbereitung
    5. Experimente
    6. Auswertung der Ergebnisse
  • Anhang – Beispieldaten