Knowledge Discovery in Databases (KDD) ist ein aktuelles Forschungs- und Anwendungsgebiet der Informatik. Ziel des KDD ist es, selbständig entscheidungsrelevante, aber bisher unbekannte Zusammenhänge und Verknüpfungen in den Daten großer Datenmengen zu entdecken und dem Analysten oder dem Anwender in übersichtlicher Form zu präsentieren. Die Autoren stellen die Techniken und Anwendungen dieses interdisziplinären Gebiets anschaulich dar.
Knowledge Discovery in Databases (KDD) ist ein aktuelles Forschungs- und Anwendungsgebiet der Informatik. Ziel des KDD ist es, selbständig entscheidungsrelevante, aber bisher unbekannte Zusammenhänge und Verknüpfungen in den Daten großer Datenmengen zu entdecken und dem Analysten oder dem Anwender in übersichtlicher Form zu präsentieren. Die Autoren stellen die Techniken und Anwendungen dieses interdisziplinären Gebiets anschaulich dar.
Jörg Sander wurde 1962 im Reinhardswald geboren. Nach dem Studium der Forstwissenschaften an der Universität Göttingen und dem Referendariat trat er in den Dienst der Niedersächsischen Landesforsten. Dort leitete er lange Jahre den IT-Bereich und inzwischen seit acht Jahren die Bereiche Finanzen und Controlling. Von 2010 bis 2012 hat er im Fernstudium den Abschluss MBA erworben.
Inhaltsangabe
1.1 Grundbegriffe des Knowledge Discovery in Databases.- 1.2 Typische KDD-Anwendungen.- 1.3 Inhalt und Aufbau dieses Buches.- 1.4 Literatur.- Grundlagen.- 2.1 Datenbanksysteme.- 2.2 Statistik.- 2.3 Literatur.- Clustering.- 3.1 Einleitung.- 3.2 Partitionierende Verfahren.- 3.3 Hierarchische Verfahren.- 3.4 Datenbanktechniken zur Leistungssteigerung.- 3.5 Besondere Anforderungen und Verfahren.- 3.6 Zusammenfassung.- 3.7 Literatur.- Klassifikation.- 4.1 Einleitung.- 4.2 Bayes-Klassifikatoren.- 4.3 Nächste-Nachbarn-Klassifikatoren.- 4.4 Entscheidungsbaum-Klassifikatoren.- 4.5 Skalierung für große Datenbanken.- 4.6 Zusammenfassung.- 4.7 Literatur.- Assoziationsregeln.- 5.1 Einleitung.- 5.2 Einfache Assoziationsregeln: Der Apriori-Algorithmus.- 5.3 Hierarchische Assoziationsregeln bezüglich Item-Taxonomien.- 5.4 Quantitative Assoziationsregeln.- 5.5 Zusammenfassung.- 5.6 Literatur.- Generalisierung.- 6.1 Einleitung.- 6.2 Data Cubes.- 6.3 Effiziente Anfragebearbeitung in Data Cubes.- 6.4 Attributorientierte Induktion.- 6.5 Inkrementelle attributorientierte Induktion.- 6.6 Zusammenfassung.- 6.7 Literatur.- Besondere Datentypen und Anwendungen.- 7.1 Temporal Data Mining.- 7.2 Spatial Data Mining.- 7.3 Text-und Web-Mining.- 7.4 Literatur.- Andere Paradigmen.- 8.1 Induktive Logik-Programmierung.- 8.2 Genetische Algorithmen.- 8.3 Neuronale Netze.- 8.4 Selbstorganisierende Karten (Kohonen Maps).- 8.5 Literatur.
