Helge Petersohn

Data Mining (eBook, PDF)

Verfahren, Prozesse, Anwendungsarchitektur

• Format: PDF

Produktbeschreibung

In vielen, insbesondere größeren Unternehmen entstehen in kurzen Zeiträumen Terabyte von Daten, bspw. über das Kaufverhalten von Kunden, über Produkte oder über Informationsbedürfnisse. Diese umfangreichen Datenbestände beinhalten wertvolle Information für Entscheider und erfordern die Anwendung von anspruchsvollen mathematisch-statistischen Verfahren zur Datenanalyse. Mit den mathematisch-statistischen Verfahren, die unter Data Mining-Verfahren zusammengefasst werden, sind wertvolle vorverarbeitende aber auch entscheidungsunterstützende Datenanalysen möglich.
In diesem Buch wird eine Anwendungsarchitektur für Data Mining entwickelt. Ein wesentlicher Beitrag besteht in der systematischen Aufarbeitung von Data Mining-Verfahren und deren anwendungsbezogene Einordnung in die Data Mining-Anwendungsarchitektur (DMA).

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: De Gruyter
• Seitenzahl: 342
• Erscheinungstermin: 1. Januar 2009
• Deutsch
• ISBN-13: 9783486593334
• Artikelnr.: 67142701

Autorenporträt

Dr. habil. Helge Petersohn ist wissenschaftliche Mitarbeiterin an der Universität Leipzig und Beraterin der NH Consult GmbH. NHC ist ein Spin-off des Instituts für Wirtschaftsinformatik der Universität Leipzig und verfügt über umfangreiche Beratungs- und Entwicklungskompetenz zu Prozessmanagement und Workflowsteuerung im E-Government-Umfeld und befasst sich in Forschung und Praxis mit dem Thema Prozess Mining. Die Mitarbeiter der NHConsult GmbH können in der Vergangenheit sowohl auf wissenschaftliche Arbeiten als auch Projekte zur praktischen Umsetzung in öffentlichen Verwaltungen verweisen.

Inhaltsangabe

1;Vorwort;6
2;Inhalt;8
3;1. Motivation und Entwicklung der Data Mining - Architektur;14
3.1;1.1. Inhalt und Ziel des Buches;14
3.2;1.2. Theoretische Grundlagen zum Data Mining - Begriff;17
3.3;1.3. Beispiele für Anwendungsgebiete;27
3.4;1.4. Strukturierungsbedarf für Data Mining;32
3.5;1.5. Struktur, Komponenten und Elemente der Data Mining - Architektur;33
4;2. Datenselektion und Datenaufbereitung;52
4.1;2.1 Datenselektion;53
4.2;2.2 Verfahrensunabhängige Datenaufbereitung;70
4.3;2.3 Verfahrensabhängige Datenaufbereitung;76
5;3. Klassenbildung;86
5.1;3.1 Klassenbildung mit neuronalen Netzen;86
5.2;3.2 Klassenbildung mit multivariaten statistischen Clusteranalyseverfahren;104
5.3;3.3 Evaluierungskriterien für die anwendungsorientierte Bewertung der Güte einer Klassenbildung;110
6;4. Assoziationsanalyse;114
6.1;4.1 Einführung in die Assoziationsalgorithmen;114
6.2;4.2 Boolesche Assoziationsverfahren;118
6.3;4.3 Erweiterungen der Assoziationsverfahren;139
6.4;4.4 Evaluierung und Interpretation;142
7;5. Klassifizierung;144
7.1;5.1 Klassifizierung mit neuronalen Netzen;144
7.2;5.2 Klassifizierung mit Entscheidungsbaumalgorithmen;149
7.3;5.3 Evaluierungskriterien für die anwendungsorientierte Bewertung der Güte einer Klassifizierung;183
8;6. Zeitreihenanalyse;186
8.1;6.1 Zeitreihenanalyse mit neuronalen Netzen;186
8.2;6.2 Zeitreihenanalyse mit Regressionsbaumverfahren;195
8.3;6.3 Zeitreihenanalyse mit multivariaten statistischen Verfahren;206
8.4;6.4 Evaluierungskriterien für die anwendungsorientierte Bewertung der Güte einer Zeitreihenanalyse;207
9;7. Genetische Algorithmen;210
9.1;7.1 Einführung in genetische Algorithmen;210
9.2;7.2 Grundstruktur genetischer Algorithmen;213
9.3;7.3 Evolutionsstrategien;232
9.4;7.4 Erweiterungen genetischer Algorithmen;234
9.5;7.5 Einschätzung genetischer Algorithmen;237
10;8. Kombination von Analyseverfahren;238
10.1;8.1 Neuronale Netze und genetische Algorithmen;239
10.2;8.2 Entscheidungsbäume und genetische Algorithmen;254
10.3;8.3 Neuro-Fuzzy-Ansätze;256
10.4;8.4 Entscheidungsbäume und neuronale Netze;268
11;9. Aggregation zur Data Mining - Architektur;270
11.1;9.1 Ausprägung der Data Mining-Architektur;270
11.2;9.2 Abgeleitetes Forschungspotential;293
12;10. Anhang ;296
12.1;Literaturverzeichnis;296
12.2;Abbildungsverzeichnis;314
12.3;Tabellenverzeichnis;320
12.4;Abkürzungsverzeichnis;322
12.5;Symbolverzeichnis;326
12.6;Sachwortverzeichnis;338

Rezensionen

"Die beste Behandlung (inhaltlich, Umfang, Darstellung) von Data Mining, die ich kenne." Prof. Dr. Thomas Schmidt, FH Flensburg "In diesem Buch wird die Thematik 'Data Mining' erstmalig umfassend und in einer sehr guten Mischung aus Theorie und Anwendungsbezug dargestellt!!! Für das Thema Data Mining hatte mir noch ein geeignetes Buch gefehlt. Das Buch von Petersohn füllt genau diese Lücke!" Prof. Dr. Mathias Hinkelmann, Hochschule der Medien Stuttgart "Eine ausgezeichnete Darstellung der Methoden und des praktischen Einsatzes von Data-Mining-Verfahren. Eines der wenigen sehr guten Bücher in Deutsch! Daher für die Studierenden bestens geeignet." Prof. Dr. H. Ritz, FH Gießen-Friedberg "Mit dieser Publikation ist mir eine verständliche und für den Lernenden nachvollziehbare Darstellung in die Hand gegeben worden, die für viele 'Hintergrund-Prozesse' in der Kommunikationstechnologie unverzichtbar ist." Prof. Dr.-Ing. habil. Werner Bärwald, TU Dresden "Eine sehr ausführliche, wissenschaftlich fundierte Aufarbeitung des Themas." Prof. Klaus Rinner, FH Nürnberg "systematische Aufarbeitung der Verfahren; methodisch-didaktisch wertvoll; praxisbezogen." Prof. Dr. Morgeneier, FH Jena "Das Buch bietet eine sehr gute Übersicht; viele Methoden werden besprochen. [...]" Prof. Dr. Georg Ohmayer, FH Weihenstephan "Das Buch bietet einen guten Überblick über Data Mining. [...]." Prof. Dr. Jürgen Cleve, Hochschule Wismar "Das Buch gibt einen sehr guten Überblick über die Möglichkeiten von Data Mining." Prof. Dr. Rainer Schwenkert, FH München "Gibt das Themengebiet mit vielen neuen Forschungsergebnissen wider." Prof. Dr. G. Gramlich, FH Ulm