Data Mining (eBook)

Jürgen Cleve, Uwe Lämmel (Autoren)

eBook Download: PDF | EPUB

2014 | 1. Auflage
318 Seiten
De Gruyter Oldenbourg (Verlag)
9783486720341 (ISBN)

Infos

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.

Prof. Dr. Jürgen Cleve, Hochschule Wismar

Prof. Dr. Uwe Lämmel, Hochschule Wismar

Inhalt

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

Produkt-Details

• Erscheint lt. Verlag: 3.2.2014
• Sprache: deutsch
• Themenwelt: Mathematik / Informatik ► Informatik ► Theorie / Studium
• ISBN-13: 9783486720341 / 9783486720341