Knowledge Discovery in Databases
Techniken und Anwendungen
Published on 27. September 2000
Book
Paperback/Softback
VIII, 282 pages
978-3-540-67328-6 (ISBN)
Description
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. Sie liefern dem Leser das Basiswissen, um eigene Anwendungen und Algorithmen zu entwickeln.
More details
Edition
2000 ed.
Language
German
Place of publication
Berlin
Germany
Publishing group
Springer Berlin
Target group
Professional and scholarly
Research
Illustrations
42 s/w Abbildungen
VIII, 282 S. 42 Abb.
Dimensions
Height: 235 mm
Width: 155 mm
Thickness: 16 mm
Weight
446 gr
ISBN-13
978-3-540-67328-6 (9783540673286)
DOI
10.1007/978-3-642-58331-5
Schweitzer Classification
Other editions
Additional editions
E-Book
03/2013
Springer
€26.96
Available for download
Content
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.