Efnisyfirlit

• Vorwort
• 1 Einführung
• 1.1 Auswertung von Massendaten
• 1.2 Ablauf einer Datenanalyse
• 1.3 Das Vorgehensmodell von Fayyad
• 1.4 Interdisziplinarität von Data Mining
• 1.5 Wozu Data Mining?
• 1.6 Werkzeuge
• 1.6.1 KNIME
• 1.6.2 WEKA
• 1.6.3 JAVANNS
• 1.6.4 Python
• 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 eines Entscheidungsbaums
• 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
• 5.4.5 Convolutional Neural Networks
• 5.5 Support Vector Machines
• 5.5.1 Grundprinzip
• 5.5.2 Formale Darstellung von Support Vector Machines
• 5.6 Ensemble Learning
• 5.6.1 Bagging
• 5.6.2 Boosting
• 5.6.3 Random Forest
• 6 Cluster-Analyse
• 6.1 Arten der Cluster-Analyse
• 6.1.1 Partitionierende Cluster-Bildung
• 6.1.2 Hierarchische Cluster-Bildung
• 6.1.3 Dichtebasierte Cluster-Bildung
• 6.1.4 Cluster-Analyse mit Neuronalen Netzen
• 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 Cluster-Bildung mittels selbstorganisierender Karten
• 6.7.1 Aufbau
• 6.7.2 Lernen
• 6.7.3 Visualisierung einer SOM
• 6.7.4 Ein Beispiel
• 6.8 Cluster-Bildung mittels neuronaler Gase
• 6.9 Cluster-Bildung mittels ART
• 6.10 Der Fuzzy-c-Means-Algorithmus
• 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 Ungleichverteilung des Zielattributs
• 8.2.5 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 Completeness
• 9.2.4 Gain-Funktion
• 9.2.5 –Funktion
• 9.2.6 Lift
• 9.2.7 Einordnung der Interessantheitsmaße
• 9.3 Gütemaße und Fehlerkosten
• 9.3.1 Fehlerrate
• 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 Python-Programm
• 10.6.1 Datenvorverarbeitung
• 10.6.2 Modellentwicklung
• 10.6.3 Anwendung des Modells – die Vorhersage
• 10.7 Auswertung der Ergebnisse
• A Anhang – Beispieldaten
• A. 1 Iris-Daten
• A.2 Sojabohnen
• A.3 Wetter-Daten
• A. 4 Kontaktlinsen-Daten
• Literatur
• Stichwortverzeichnis