Datenbanken - Data Mining (1025150)

Druck-Ansicht

• Dauer: 3 Tage
• Zielgruppe: Projektleiter, Manager (Manager )
• Vorkenntnisse: Grundlegende Kenntnisse des relationalen Modells
• Methode: Vortrag, Diskussion, Einzel- und Gruppenarbeit mit Übungen. Eigene Arbeiten und Projektfragen können in das Seminar eingebracht werden.
• Typ: Öffentliches Seminar / Inhouse
• Download:Anmeldeformular | AGB | Hotels & Anfahrt | Info-Broschüre
• Inhalt: Datamining übertrifft einfache Analysetechniken an Wirkungsweise, Ergebnissen und Methodik. Es unterstützt die Entwicklung und Gewinnung von wertvollem Unternehmenswissen anhand hochkomplexer Analyseverfahren. Dieses Seminar macht Sie mit den Konzepten von Datamining vertraut und hilft Ihnen bei der Entscheidung und Bewertung in Projekten, die Datamining einführen helfen.
• Dozent: Dr. Ralf Klinkenberg studierte Informatik an der Universität Dortmund, war dort von 1998 bis 2003 wissenschaftlicher Mitarbeiter und dann Doktorand am Lehrstuhl für Künstliche Intelligenz. 1994/95 studierte er mit einem Stipendium der deutsch-amerikanischen Fulbright-Kommission für ein Jahr an der University of Missouri-Rolla (UMR) in Rolla, Missouri, USA. 1996 schloss er dieses Auslandsstudium mit dem Master of Science in Computer Science ab. Seine Interessen liegen im Bereich des maschinellen Lernens, des Data Mining und der Wissensentdeckung (Knowledge Discovery). Speziell interessieren ihn maschinelle Lernverfahren zum adaptiven Informationsfiltern bei sich verändernden Konzepten aus zeitlich veränderlichen Datenströmen. Seit 2007 ist er für die Comelio GmbH im Bereich Statistik und Data Mining tätig. Im Bereich Beratung und Implementierung unterstützt er Kunden bei der Einführung des Open Source Data Mining-Systems Rapid Miner (vormals Yale).
  Zu seinen zahlreichen wissenchaftlichen Veröffentlichungen gehören (1) Scholz, Martin and Klinkenberg, Ralf. Boosting Classifiers for Drifting Concepts. In Intelligent Data Analysis (IDA), Special Issue on Knowledge Discovery from Data Streams, Vol. 11, No. 1, Seiten 3--28, 2007, (2) Mierswa, Ingo and Wurst, Michael and Klinkenberg, Ralf and Scholz, Martin and Euler, Timm. YALE: Rapid Prototyping for Complex Data Mining Tasks. In Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2006), ACM Press, 2006 und (3) Scholz, Martin and Klinkenberg, Ralf. An Ensemble Classifier for Drifting Concepts. In Gama, J. and Aguilar-Ruiz, J. S. (editors), Proceedings of the Second International Workshop on Knowledge Discovery in Data Streams, Seiten 53--64, Porto, Portugal, 2005.

Inhalte

A. Introduction

What Motivated Data Mining? - Definition of Data Mining - Data Mining-On What Kind of Data? - Data Mining Functionalities - Classification of Data Mining Systems - Data Mining Task Primitives - Integration of a Data Mining System with a Database or Data Warehouse System - Major Issues in Data Mining

B. Data Preprocessing

Why Preprocess the Data? - Descriptive Data Summarization - Data Cleaning - Data Integration and Transformation - Data Reduction - Data Discretization and Concept Hierarchy Generation

C. Data Warehouse and OLAP Technology: An Overview

What Is a Data Warehouse? - A Multidimensional Data Model - Data Warehouse Architecture - Data Warehouse Implementation - From Data Warehousing to Data Mining

D. Data Cube Computation and Data Generalization

Efficient Methods for Data Cube Computation - Further Development of Data Cube and OLAP Technology - Attribute-Oriented Induction - An Alternative Method for Data Generalization and Concept Description

E. Mining Frequent Patterns, Associations, and Correlations

Basic Concepts and a Road Map - Efficient and Scalable Frequent Itemset Mining Methods - Mining Various Kinds of Association Rules - From Association Mining to Correlation Analysis - Constraint-Based Association Mining

F. Classification and Prediction

What Is Classification? What Is Prediction? - Issues Regarding Classification and Prediction - Classification by Decision Tree Induction - Bayesian Classification - Rule-Based Classification - Classification by Backpropagation - Support Vector Machines - Associative Classification: Classification by Association Rule Analysis - Lazy Learners (or Learning from Your Neighbors) - Other Classification Methods - Prediction - Accuracy and Error Measures - Evaluating the Accuracy of a Classifier or Predictor - Ensemble Methods: Increasing the Accuracy - Model Selection

G. Cluster Analysis

What Is Cluster Analysis? - Types of Data in Cluster Analysis - A Categorization of Major Clustering Methods - Partitioning Methods - Hierarchical Methods - Density-Based Methods - Grid-Based Methods - Model-Based Clustering Methods - Clustering High-Dimensional Data - Constraint-Based Cluster Analysis - Outlier Analysis

H. Mining Stream, Time-Series, and Sequence Data

Mining Data Streams - Mining Time-Series Data - Mining Sequence Patterns in Transactional Databases - Mining Sequence Patterns in Biological Data

I. Graph Mining, Social Network Analysis, and Multi-Relational Data Mining

Graph Mining - Social Network Analysis - Multi-Relational Data Mining

J. Mining Object, Spatial, Multimedia, Text, and Web Data

Multidimensional Analysis and Descriptive Mining of Complex Data Objects - Spatial Data Mining - Multimedia Data Mining - Text Mining - Mining the World Wide Web

Kontakt

Preise

Wenn Sie mehrere Seminarplätze gleichzeitig buchen, erhalten Sie für jeden Teilnehmer einen Preisvorteil nach folgender Tabelle. Alle Preise zzgl. 19% MwSt. Enthalten:

• Catering
• Mittagessen
• Literatur

Termine

9:00 - 16:30 Uhr | Inhouse-Termine auf Anfrage.

Ähnliche Seminare