Data Mining: Methoden und Algorithmen intelligenter by Thomas A. Runkler

By Thomas A. Runkler

Dieses Buch behandelt die wichtigsten Methoden zur Erkennung und Extraktion von „Wissen“ aus numerischen und nichtnumerischen Datenbanken in Technik und Wirtschaft. Es vermittelt einen kompakten, fundierten Überblick über die verschiedenen Methoden sowie deren Motivation und versetzt den Leser in die Lage, facts Mining selbst praktisch einzusetzen.

Der Inhalt:
Der Data-Mining-Prozess - Daten und Relationen - Datenvorverarbeitung - Visualisierung - Korrelation - Regression - Zeitreihenprognose - Klassifikation - Clustering

Show description

Read or Download Data Mining: Methoden und Algorithmen intelligenter Datenanalyse PDF

Similar german_6 books

Einführung in die Spieltheorie

Die vorliegende Einf? hrung gibt einen umfassenden ? berblick ? ber den neuesten Stand der Spieltheorie. Die Darstellung legt den Schwerpunkt auf die Vermittlung der grundlegenden Ideen und der intuitiven Konzepte. Das Buch setzt nur solche mathematischen Grundkenntnisse voraus, wie sie von Studenten im Hauptstudium wirtschaftswissenschaftlicher Ausbildung erwartet werden.

Dienstleistungsmanagement und Social Media: Potenziale, Strategien und Instrumente Forum Dienstleistungsmanagement

Social Media-Plattformen haben sich in den letzten Jahren erfolgreich etabliert undimmer mehrMenschen miteinander vernetzt. Auch zahlreiche Unternehmen haben begonnen, das wirtschaftliche Potenzial dieser Medienform stärker zu nutzen. Unternehmen und Kunden ziehen Vorteile aus dem interaktiven Austausch von Meinungen und Erfahrungen untereinander.

Additional info for Data Mining: Methoden und Algorithmen intelligenter Datenanalyse

Sample text

Bei der Wahl einer geeigneten Transformation ist die Identifikation des beobachteten und des gew¨ unschten Wertebereichs hilfreich. Im Folgenden ist eine Liste h¨ aufig verwendeter Datentransformationen sowie deren Wertebereiche angegeben. 4 Datenkonsolidierung Die zu analysierten Datens¨ atze sind oft zun¨achst nicht in einem einzigen Datensatz erfasst, sondern auf viele verschiedene Datens¨atze, Dateien, Datenbanken und Systeme verteilt. Zum Beispiel sind die Preise verschiedener Waren vielleicht in einer anderen Datenbank gespeichert als die Umsatzzahlen, oder die Mess- und Steuergr¨ oßen einer gesamten Fabrikanlage sind u ¨ber unterschiedliche Automatisierungsrechner in den einzelnen Fertigungsschritten verteilt.

Allgemein l¨asst sich zu einem mehrdimensionalen Datensatz ein minimaler Hyperw¨ urfel oder Merkmalsraum H(X) = [min{X (1) }, max{X (1)}] × . . 21) angeben, der alle Punkte aus X enth¨ alt (X ⊆ H). Falls X Ausreißer enth¨alt oder nur Teilbereiche des eigentlich relevanten Merkmalsraums abdeckt, so ist es g¨ unstiger, statt des beobachteten Hyperw¨ urfels H(X) einen definierten relevanten Merkmalsraum (1) (p) (p) H ∗ (X) = [xmin , x(1) max ] × . . 22) zu betrachten. Allgemein betrachten wir also Merkmalsr¨aume mit willk¨ urlich definierten Grenzen xmin und xmax oder mit beobachteten Grenzen xmin = min{X (i) } und xmax = max{X (i) }.

Die Fourieranalyse ist also eine Visualisierungsmethode, die zu einem Datensatz X ⊂ IRp ein Betragsspektrum Y = {y1 , . . , ym } ⊂ IR und ein Phasenspektrum P = {p1 , . . , pm } ⊂ IR liefert, aus dem sich Frequenzen, Amplituden und Phasen der spektralen Anteile des Datensatzes erkennen lassen. 55 Kapitel 5 Korrelation Eine wichtige Aufgabe der Datenanalyse ist die Analyse des Zusammenhangs zwischen einzelnen Merkmalen. Die St¨ arke dieses Zusammenhangs wird Korrelation genannt. Die Korrelationsanalyse hilft, Zusammenh¨ange zu erkl¨aren und zielgerichtet bestimmte Effekte zu erzielen.

Download PDF sample

Rated 4.01 of 5 – based on 24 votes