Data Mining by Cleve, Jürgen -- Read -- Imperial Library of Trantor

Index

Titel Übersicht der Zeichnungen Übersicht der Tabellen Impressum 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 einesEntscheidungsbaums 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 selbstorganisierenderKarten

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

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

Verzeichnis der Symbole Verzeichnis der Abkürzungen Literaturverzeichnis Index

← Prev
Back
Next →

← Prev
Back
Next →