Data Mining

Modern databases contain vast quantities of undiscovered knowledge that cannot be exploited without the proper tools. Data mining and algorithms allow us to discover previously unknown interconnections. This textbook covers the material of a one-semester university course and is designed as a classic textbook. It offers summaries, numerous examples, and practice exercises. * One of the first German-language textbooks on data mining, now updated and expanded * Includes summaries, numerous examples, and practice exercises Vorwort Inhaltsverzeichnis 1. Einführung 1.1 Auswertung von Massendaten 1.2 Data Mining und Business Intelligence 1.3 Ablauf einer Datenanalyse 1.4 Interdisziplinarität 1.5 Erfolgreiche Beispiele 1.6 Werkzeuge 1.6.1 KNIME 1.6.2 WEKA 1.6.3 JavaNNS 2. Grundlagen des Data Mining 2.1 Grundbegriffe 2.2 Datentypen 2.3 Abstands- und Ähnlichkeitsmaße 2.4 Grundlagen Künstlicher Neuronaler Netze 2.5 Logik 2.6 Überwachtes und unüberwachtes Lernen 3. Anwendungsklassen 3.1 Cluster-Analyse 3.2 Klassifikation 3.3 Numerische Vorhersage 3.4 Assoziationsanalyse 3.5 Text Mining 3.6 Web Mining 4. Wissensrepräsentation 4.1 Entscheidungstabelle 4.2 Entscheidungsbäume 4.3 Regeln 4.4 Assoziationsregeln 4.5 Instanzenbasierte Darstellung 4.6 Repräsentation von Clustern 4.7 Neuronale Netze als Wissensspeicher 5. Klassifikation 5.1 K-Nearest Neighbour 5.1.1 K-Nearest-Neighbour-Algorithmus 5.1.2 Ein verfeinerter Algorithmus 5.2 Entscheidungsbaumlernen 5.2.1 Erzeugen eines Entscheidungsbaums 5.2.2 Auswahl eines Attributs 5.2.3 Der ID3-Algorithmus zur Erzeugung eines Entscheidungsbaums 5.2.4 Entropie 5.2.5 Der Gini-Index 5.2.6 Der C4.5-Algorithmus 5.2.7 Probleme beim Entscheidungsbaumlernen 5.2.8 Entscheidungsbaum und Regeln 5.3 Naive Bayes 5.3.1 Bayessche Formel 5.3.2 Der Naive-Bayes-Algorithmus 5.4 Vorwärtsgerichtete Neuronale Netze 5.4.1 Architektur 5.4.2 Das Backpropagation-of-Error-Lernverfahren 5.4.3 Modifikationen des Backpropagation-Algorithmus 5.4.4 Ein Beispiel 5.5 Support Vector Machines 5.5.1 Grundprinzip 5.5.2 Formale Darstellung von Support Vector Machines 5.5.3 Ein Beispiel 6. Cluster-Analyse 6.1 Arten der Cluster-Analyse 6.2 Der k-Means-Algorithmus 6.3 Der k-Medoid-Algorithmus 6.4 Erwartungsmaximierung 6.5 Agglomeratives Clustern 6.6 Dichtebasiertes Clustern 6.7 Clusterbildung mittels selbstorganisierender Karten 6.7.1 Aufbau 6.7.2 Lernen 6.7.3 Visualisierung einer SOM 6.7.4 Ein Beispiel 6.8 Clusterbildung mittels neuronaler Gase 6.9 Clusterbildung mittels ART 6.10 Der Fuzzy-c-Means-Algorithmus 7. Assoziationsanalyse 7.1 Der A-Priori-Algorithmus 7.1.1 Generierung der Kandidaten 7.1.2 Erzeugen der Regeln 7.2 Frequent Pattern Growth 7.3 Assoziationsregeln für spezielle Aufgaben 7.3.1 Hierarchische Assoziationsregeln 7.3.2 Quantitative Assoziationsregeln 7.3.3 Erzeugung von temporalen Assoziationsregeln 8. Datenvorbereitung 8.1 Motivation 8.2 Arten der Datenvorbereitung 8.2.1 Datenselektion und -integration 8.2.2 Datensäuberung 8.2.3 Datenreduktion 8.2.4 Datentransformation 8.3 Ein Beispiel 9. Bewertung 9.1 Prinzip der minimalen Beschreibungslängen 9.2 Interessantheitsmaße für Assoziationsregeln 9.2.1 Support 9.2.2 Konfidenz 9.2.3 Gain-Funktion 9.2.4 p-s-Funktion 9.2.5 Lift 9.3 Gütemaße und Fehlerkosten 9.3.1 Fehlerraten 9.3.2 Weitere Gütemaße für Klassifikatoren 9.3.3 Fehlerkosten 9.4 Testmengen 9.5 Qualität von Clustern 9.6 Visualisierung 10. Eine Data-Mining-Aufgabe 10.1 Die Aufgabe 10.2 Das Problem 10.3 Die Daten 10.4 Datenvorbereitung 10.5 Experimente 10.5.1 K-Nearest Neighbour 10.5.2 Naive Bayes 10.5.3 Entscheidungsbaumverfahren 10.5.4 Neuronale Netze 10.6 Auswertung der Ergebnisse A. Anhang A.1 Iris-Daten A.2 Sojabohnen A.3 Wetter-Daten A.4 Kontaktlinsen-Daten Abbildungsverzeichnis Tabellenverzeichnis Verzeichnis der Symbole Verzeichnis der Abkürzungen Literaturverzeichnis Index In den modernen Datenbanken steckt unentdecktes Wissen, das ohne geeignete Hilfsmittel kaum gefördert werden kann. Hier setzt das Data Mining an und liefert Methoden und Algorithmen, um bisher unbekannte Zusammenhänge zu entdecken. Das Buch deckt den Stoff einer einsemestrigen Vorlesung an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet Zusammenfassungen, zahlreiche Beispiele und Übungsaufgaben