Knowledge Discovery in Databases (KDD) ist ein aktuelles Forschungs- und Anwendungsgebiet der Informatik. Ziel des KDD ist es, selbständig entscheidungsrelevante, aber bisher unbekannte Zusammenhänge und Verknüpfungen in den Daten großer Datenmengen zu entdecken und dem Analysten oder dem Anwender in übersichtlicher Form zu präsentieren. Die Autoren stellen die Techniken und Anwendungen dieses interdisziplinären Gebiets anschaulich dar.
Inhaltsverzeichnis
1. 1 Grundbegriffe des Knowledge Discovery in Databases. - 1. 2 Typische KDD-Anwendungen. - 1. 3 Inhalt und Aufbau dieses Buches. - 1. 4 Literatur. - Grundlagen. - 2. 1 Datenbanksysteme. - 2. 2 Statistik. - 2. 3 Literatur. - Clustering. - 3. 1 Einleitung. - 3. 2 Partitionierende Verfahren. - 3. 3 Hierarchische Verfahren. - 3. 4 Datenbanktechniken zur Leistungssteigerung. - 3. 5 Besondere Anforderungen und Verfahren. - 3. 6 Zusammenfassung. - 3. 7 Literatur. - Klassifikation. - 4. 1 Einleitung. - 4. 2 Bayes-Klassifikatoren. - 4. 3 Nächste-Nachbarn-Klassifikatoren. - 4. 4 Entscheidungsbaum-Klassifikatoren. - 4. 5 Skalierung für große Datenbanken. - 4. 6 Zusammenfassung. - 4. 7 Literatur. - Assoziationsregeln. - 5. 1 Einleitung. - 5. 2 Einfache Assoziationsregeln: Der Apriori-Algorithmus. - 5. 3 Hierarchische Assoziationsregeln bezüglich Item-Taxonomien. - 5. 4 Quantitative Assoziationsregeln. - 5. 5 Zusammenfassung. - 5. 6 Literatur. - Generalisierung. - 6. 1 Einleitung. - 6. 2 Data Cubes. - 6. 3 Effiziente Anfragebearbeitung in Data Cubes. - 6. 4 Attributorientierte Induktion. - 6. 5 Inkrementelle attributorientierte Induktion. - 6. 6 Zusammenfassung. - 6. 7 Literatur. - Besondere Datentypen und Anwendungen. - 7. 1 Temporal Data Mining. - 7. 2 Spatial Data Mining. - 7. 3 Text-und Web-Mining. - 7. 4 Literatur. - Andere Paradigmen. - 8. 1 Induktive Logik-Programmierung. - 8. 2 Genetische Algorithmen. - 8. 3 Neuronale Netze. - 8. 4 Selbstorganisierende Karten (Kohonen Maps). - 8. 5 Literatur.
