Download Data Mining: Methoden und Algorithmen intelligenter by Thomas A. Runkler PDF
By Thomas A. Runkler
Dieses Buch behandelt die wichtigsten Methoden zur Erkennung und Extraktion von „Wissen“ aus numerischen und nichtnumerischen Datenbanken in Technik und Wirtschaft. Es vermittelt einen kompakten, fundierten Überblick über die verschiedenen Methoden sowie deren Motivation und versetzt den Leser in die Lage, information Mining selbst praktisch einzusetzen.
Der Inhalt:
Der Data-Mining-Prozess - Daten und Relationen - Datenvorverarbeitung - Visualisierung - Korrelation - Regression - Zeitreihenprognose - Klassifikation - Clustering
Read Online or Download Data Mining: Methoden und Algorithmen intelligenter Datenanalyse PDF
Best german_6 books
Demerger-Management: Wertorientierte Desintegration von Unternehmen
Unternehmensaufspaltungen und der Verkauf von Unternehmensteilen gewinnen als device proaktiver Unternehmensführung an Bedeutung. Während die Zusammenführung von Mitarbeitern durch Kauf oder Fusion seit Jahrzehnten als entscheidendes Kriterium für den Fusions- oder Übernahmeerfolg thematisiert wird, findet der gegenläufige Prozess der Desintegration durch Demerger in der Literatur wenig Beachtung.
- Molekular- und Zellbiologie
- Rechnungslegung für Banken nach IAS: Praxisorientierte Einzeldarstellungen
- Gehaltssysteme erfolgreich gestalten: IT-unterstützte Lohn- und Gehaltsfindung
- Endokrinologie I: in Frage und Antwort • Hypothalamus • Hypophyse • Gonaden • Nebenniere • Hormonbestimmungen • Funktionstests
- Endokrinologie I: in Frage und Antwort • Hypothalamus • Hypophyse • Gonaden • Nebenniere • Hormonbestimmungen • Funktionstests
Additional info for Data Mining: Methoden und Algorithmen intelligenter Datenanalyse
Sample text
Der Datensatz erscheint als Punkte auf einer vertikalen Linie durch den Ursprung. Dies gibt m¨ oglicherweise die wirkliche Struktur des Datensatzes wieder, wenn es sich bei den Merkmalen zum Beispiel um die L¨ange und den Durchmesser von Rohren in Millimetern handelt. Falls die Objekte aber, wie oben skizziert, Autos sind und die Merkmale Preise in Euro und H¨ochstgeschwindigkeiten in Kilometern pro Stunde, so ist die ungleiche Gewichtung der beiden Merkmale lediglich auf die Wahl der u uckzuf¨ uhren ¨ blichen Einheit zur¨ und ist somit willk¨ urlich und irref¨ uhrend.
23) die auch Standardisierung des Hyperw¨ urfels genannt wird. 2). 11 (rechts) zeigt die μ-σ-Standardisierung des links dargestellten Datensatzes. Der standardisierte Datensatz erscheint nicht mehr als vertikale Line, sondern als Punktwolke. 3 Standardisierung 33 Datensatzes besser wieder. Dies ist jedoch, wie oben illustriert, stark von der Semantik der Daten abh¨ angig. Die Standardisierung des beobachteten Hyperw¨ urfels ist die optimale Skalierung f¨ ur unabh¨ angige gleichverteilte Merkmalsdaten, und die μ-σ-Standardisierung ist die optimale Skalierung f¨ ur unabh¨angige Gauß-verteilte Merkmalsdaten.
P, j = i + 1, . . , p 4. Sortiere absolute Korrelationen, so dass |si1 j1 | ≥ |si2 j2 | ≥ . . ≥ |si p (p−1) 2 j p (p−1) | 2 5. for k = 1, . .