Data Mining

In vielen, insbesondere größeren Unternehmen entstehen in kurzen Zeiträumen Terabyte von Daten, bspw. über das Kaufverhalten von Kunden, über Produkte oder über Informationsbedürfnisse. Diese umfangreichen Datenbestände beinhalten wertvolle Information für Entscheider und erfordern die Anwendung von anspruchsvollen mathematisch-statistischen Verfahren zur Datenanalyse. Mit den mathematisch-statistischen Verfahren, die unter Data Mining-Verfahren zusammengefasst werden, sind wertvolle vorverarbeitende aber auch entscheidungsunterstützende Datenanalysen möglich. In diesem Buch wird eine Anwendungsarchitektur für Data Mining entwickelt. Ein wesentlicher Beitrag besteht in der systematischen Aufarbeitung von Data Mining-Verfahren und deren anwendungsbezogene Einordnung in die Data Mining-Anwendungsarchitektur (DMA).

1; Vorwort; 6
2; Inhalt; 8
3; 1. Motivation und Entwicklung der Data Mining - Architektur; 14
3. 1; 1. 1. Inhalt und Ziel des Buches; 14
3. 2; 1. 2. Theoretische Grundlagen zum Data Mining - Begriff; 17
3. 3; 1. 3. Beispiele für Anwendungsgebiete; 27
3. 4; 1. 4. Strukturierungsbedarf für Data Mining; 32
3. 5; 1. 5. Struktur, Komponenten und Elemente der Data Mining - Architektur; 33
4; 2. Datenselektion und Datenaufbereitung; 52
4. 1; 2. 1 Datenselektion; 53
4. 2; 2. 2 Verfahrensunabhängige Datenaufbereitung; 70
4. 3; 2. 3 Verfahrensabhängige Datenaufbereitung; 76
5; 3. Klassenbildung; 86
5. 1; 3. 1 Klassenbildung mit neuronalen Netzen; 86
5. 2; 3. 2 Klassenbildung mit multivariaten statistischen Clusteranalyseverfahren; 104
5. 3; 3. 3 Evaluierungskriterien für die anwendungsorientierte Bewertung der Güte einer Klassenbildung; 110
6; 4. Assoziationsanalyse; 114
6. 1; 4. 1 Einführung in die Assoziationsalgorithmen; 114
6. 2; 4. 2 Boolesche Assoziationsverfahren; 118
6. 3; 4. 3 Erweiterungen der Assoziationsverfahren; 139
6. 4; 4. 4 Evaluierung und Interpretation; 142
7; 5. Klassifizierung; 144
7. 1; 5. 1 Klassifizierung mit neuronalen Netzen; 144
7. 2; 5. 2 Klassifizierung mit Entscheidungsbaumalgorithmen; 149
7. 3; 5. 3 Evaluierungskriterien für die anwendungsorientierte Bewertung der Güte einer Klassifizierung; 183
8; 6. Zeitreihenanalyse; 186
8. 1; 6. 1 Zeitreihenanalyse mit neuronalen Netzen; 186
8. 2; 6. 2 Zeitreihenanalyse mit Regressionsbaumverfahren; 195
8. 3; 6. 3 Zeitreihenanalyse mit multivariaten statistischen Verfahren; 206
8. 4; 6. 4 Evaluierungskriterien für die anwendungsorientierte Bewertung der Güte einer Zeitreihenanalyse; 207
9; 7. Genetische Algorithmen; 210
9. 1; 7. 1 Einführung in genetische Algorithmen; 210
9. 2; 7. 2 Grundstruktur genetischer Algorithmen; 213
9. 3; 7. 3 Evolutionsstrategien; 232
9. 4; 7. 4 Erweiterungen genetischer Algorithmen; 234
9. 5; 7. 5 Einschätzung genetischer Algorithmen; 237
10; 8. Kombination von Analyseverfahren; 238
10. 1; 8. 1 Neuronale Netze und genetische Algorithmen; 239
10. 2; 8. 2 Entscheidungsbäume und genetische Algorithmen; 254
10. 3; 8. 3 Neuro-Fuzzy-Ansätze; 256
10. 4; 8. 4 Entscheidungsbäume und neuronale Netze; 268
11; 9. Aggregation zur Data Mining - Architektur; 270
11. 1; 9. 1 Ausprägung der Data Mining-Architektur; 270
11. 2; 9. 2 Abgeleitetes Forschungspotential; 293
12; 10. Anhang ; 296
12. 1; Literaturverzeichnis; 296
12. 2; Abbildungsverzeichnis; 314
12. 3; Tabellenverzeichnis; 320
12. 4; Abkürzungsverzeichnis; 322
12. 5; Symbolverzeichnis; 326
12. 6; Sachwortverzeichnis; 338