Hauptnavigation

Spezialvorlesung Wissensentdeckung in Datenbanken

Veranstaltung Wochentag Termin Ort
042519 Dienstag 10.15 - 12.00 HGII, HS4
042519 Donnerstag 14.15 - 16.00 HGII, HS4

Inhalt:

Die Vorlesung gibt einen Überblick über die Datenanalyse in großen Datenbanken. Der Prozess der Datenanalyse wird anhand des CRISP-Modells vorgestellt, eine Unterstützung der Vorverarbeitungs- und Lernschritte bietet das System Rapid Miner. Für die einzelnen Schritte des Datenanalyseprozesses werden jeweils typische Verfahren vermittelt. Die wichtigsten Verfahren der komplexen Datenanalyseverfahren aus Statistik oder Maschinellem Lernen werden vorgestellt. Als besonders wichtige Data Mining Methoden werden Klassifikations- und Clustering-Verfahren eingeführt, darunter die k-means-Methode, das Bestimmen von Entscheidungsbäumen, Assoziationsregeln und die Stützvektormethode. Einen Schwerpunkt bildet auch die Abschätzung der Glaubwürdigkeit der Ergebnisse mit Hilfe von geeigneten Testdesigns wie z.B. Kreuzvalidierung oder Bootstrapping. In den Übungen wird die Datenanalyse anhand von Daten aus der Praxis eingeübt. Interdisziplinäre Veranstaltung Diese Veranstaltung finden im interdisziplinären Rahmen zusammen mit dem Fachbereich Statistik statt.

Material

Vorlesungsmaterial finden Sie hier im Moodle-Raum.

Literatur:

Empfohlene Literatur wird in der Vorlesung bekannt gegeben, U.a.:
  • Hastie, T., Tibshirani, R., Friedman, J. (2001). The Elements of Statistical Learning. Springer.
  • Hand, D., Mannila, H., Smyth, P. (2001). Principles of Data Mining. MIT Press.
  • Witten, I.H., Frank, E. (2001): Data Mining Praktische Werkzeuge und Techniken für das maschinelle Lernen.
  • Mitchell, Tom (1997): Machine Learning, McGraw Hill, 1997