Data Mining als Hilfsmittel für gezielte Datensuche

DOWNLOAD NOW »

Author: Sandra Feist

Publisher: GRIN Verlag

ISBN: 3638619230

Category: Computers

Page: 31

View: 2548

Studienarbeit aus dem Jahr 2005 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt, Veranstaltung: Information und Kommunikation, 7 Literaturquellen, 16 Internetquellen Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Durch die Informationsflut haben die Datenmengen in den letzten Jahren rasant zugenommen. Diese Datenberge können wertvolle Informationen enthalten, die zum Verständnis von wichtigen Zusammenhängen beitragen oder die Entscheidungsträger innerhalb eines Unternehmens bei wichtigen Entscheidungen unterstützen. Nicht zu unrecht wird Wissen oftmals als vierter Produktionsfaktor oder als entscheidender Wettbewerbsfaktor bezeichnet. Doch dieses Wissen in den Datenbergen kann oft nicht oder nur unzureichend genutzt werden. Denn Daten sind nicht gleich Information, bzw. Wissen. Im Gegensatz zu den herkömmlichen Verfahren, die auf einfachen statistischen Methoden und Datenbankmanagementsystemen basieren, verbinden Data-Mining Verfahren Methoden aus den Bereichen Statistik, Maschinelles Lernen, Datenbanken und Visualisierung. Diese unterstützen den Benutzer dabei, in großen Datenbeständen verborgene und für das Unternehmen wertvolle Daten aufzufinden. Mithilfe von Data Mining können die Unternehmen quasi einen Blick in die Zukunft werfen und Ereignisse mit einer gewissen Wahrscheinlichkeit voraussagen. In der nachfolgenden Arbeit wird zuerst in einer Einführung dargestellt, was man unter Data-Mining versteht und der Data-Mining Prozess anhand des CRISP- DM Modells erklärt. Anschließend werden die Data Mining Aufgaben und ihnen zugeordnete Methoden anhand von Beispielen veranschaulicht. Um die große Bedeutung für die Praxis zu verdeutlichen wird danach ein Überblick der wichtigsten Anwendungsfelder gegeben. Da ein Data Mining ohne Daten unmöglich ist, muss der Zielkonflikt zwischen Data Mining und dem Datenschutz diskutiert werden, bevor in einem Fazit auf die zukünftige Bedeutung des Data Mining eingegangen wird.

Data Mining

Modelle und Algorithmen intelligenter Datenanalyse

DOWNLOAD NOW »

Author: Thomas A. Runkler

Publisher: Springer-Verlag

ISBN: 3834821713

Category: Computers

Page: 145

View: 3446

Dieses Lehrbuch behandelt die wichtigsten Methoden zur Erkennung und Extraktion von „Wissen“ aus numerischen und nicht-numerischen Datenbanken in Technik und Wirtschaft. Der Autor vermittelt einen kompakten und zugleich fundierten Überblick über die verschiedenen Methoden sowie deren Zielsetzungen und Eigenschaften. Dadurch werden Leser befähigt, Data Mining eigenständig anzuwenden.

Data Mining

Verfahren, Prozesse, Anwendungsarchitektur

DOWNLOAD NOW »

Author: Helge Petersohn

Publisher: Oldenbourg Verlag

ISBN: 9783486577150

Category:

Page: 330

View: 5199

In vielen, insbesondere in grosseren Unternehmen entstehen in kurzen Zeitraumen Terabyte von Daten. Diese umfangreichen Datenbestande beinhalten wertvolle Informationen fur Entscheider und erfordern die Anwendung von anspruchsvollen mathematisch-statistischen Verfahren zur Datenanalyse. In diesem Buch wird eine Anwendungsarchitektur fur 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)."

Data Mining

Modellierung und Durchführung ausgewählter Fallstudien mit dem SAS Enterprise Miner

DOWNLOAD NOW »

Author: Christian Gottermeier

Publisher: diplom.de

ISBN: 3832472177

Category: Computers

Page: 127

View: 7642

Inhaltsangabe:Einleitung: Entscheidungen sind ein Akt des menschlichen Verhaltens, bei denen eine Festlegung für eine unter mehreren Möglichkeiten stattfindet. Da bei diesen Handlungen die Berufung auf Traditionen oder Autoritäten oftmals nicht möglich ist, wurde schon früh auf verschiedenste Hilfsmittel zurückgegriffen. So ließ sich Julius Cäsar von einem Würfelergebnis leiten, General Wallenstein von einem Astrologen beraten oder es wurden Prognosen mit Hilfe von Glaskugeln, Spielkarten oder dem Stand der Sterne getroffen. Unter wirtschaftlichen Gesichtspunkten sind Entscheidungen eine rationale Wahl zwischen mehreren Möglichkeiten, wobei der Entscheidungsprozess als tragendes Element der ökonomischen Tätigkeit herausgestellt wird. Gerade in diesem Umfeld wird die Entscheidungsfindung nun allerdings wissenschaftlich fundiert und mit weitreichenden Konsequenzen durch folgende Verfahren unterstützt: Analysemethoden wie Benchmarking, Lebenszyklus- oder Erfahrungskurvenkonzept und Prognoseverfahren wie die Delphi-Methode oder die Szenario-Technik. Allerdings sind die meisten dieser Verfahren i.d.R. auf spezielle Problemstellungen ausgerichtet. Ganzheitliche Lösungsansätze werden seit den 60er Jahren zur Unterstützung des Managements bereitgestellt. Mit Hilfe von Informationssystemen soll die Entscheidungsfindung verbessert werden. Häufig wechselnde Schlagworte wie z.B. Management Information System (MIS) oder Decision Support System (DSS) konnten allerdings noch keine durchschlagenden Erfolge erzielen. Seit Mitte der 90er Jahre wurden mit neuen konzeptionellen Ansätzen, die meist unter dem Oberbegriff Business Intelligence zusammengefasst werden, erfolgsversprechende Lösungen zum Aufbau entscheidungsorientierter Informationssysteme (EIS) etabliert. EIS setzen sich dabei aus Werkzeugen zur Selektion und Speicherung entscheidungsrelevanter Informationen (Data Warehouse) sowie zur entscheidungsunterstützenden Modellierung (OLAP-Tools) zusammen. Eine konsequente Umsetzung des Data Warehouse Gedanken führt zu immensen Datensammlungen, die, um die Archivierung nicht zum Selbstzweck werden zu lassen, dann auch ausgewertet werden sollen. An dieser Stelle setzt Data Mining an. In Kapitel 2 werden die Grundzüge des Data Mining dargestellt, eine Verbindung zu Data Warehouse und OLAP gezogen und die Einsatzgebiete skizziert, in denen sich Data Mining durchgesetzt hat. In Kapitel 3 wird der erste wichtige Schritt, der vor der eigentlichen Modellierung [...]

Data Mining

Ein Überblick über Verfahren und Anwendungsfelder

DOWNLOAD NOW »

Author: Jürgen Sembdner

Publisher: diplom.de

ISBN: 3832428445

Category: Computers

Page: 101

View: 4485

Inhaltsangabe:Einleitung: Die Arbeit beschäftigt sich mit der Beschreibung der gängigen Data-Mining-Verfahren und beschreibt deren Anwendungsgebiete in der Praxis. Nachdem in Kapitel 2 der Begriff Data Mining definiert und zu verwandten Themengebieten abgegrenzt wird, werden im Schwerpunkt der Arbeit, dem dritten Kapitel, die Data-Mining-Verfahren dargestellt. Dabei werden in Kapitel 3.1 die klassischen Verfahren der Clusteranalyse beschrieben, in Kapitel 3.2 die Bayes-Klassifikation und die Assoziationsanalyse als statistische Verfahren vorgestellt und im Kapitel 3.3 eine Alternative zu den klassischen Clustermethoden vorgeführt, das konzeptionelle Clustern. Außerdem werden die Entscheidungsbaummethoden dargestellt. Das Kapitel schließt mit einer Beschreibung von künstlichen Neuronalen Netzen und Genetischen Algorithmen ab. Im vierten Kapitel sollen dann beispielhaft praxisrelevante Anwendungsfelder beschrieben werden. Neben der Betrugserkennung, auf die bereits in der Einleitung hingedeutet wurde, soll auf die Möglichkeiten der Warenkorbanalyse, Kundensegmentierung und Datenreinigung eingegangen werden. Das Kapitel endet mit dem Versuch, durch Anwendung von Neuronalen Netzen Aktienkurse vorherzusagen. Nach einer Zusammenfassung in Kapitel 5 soll ein Ausblick gegeben werden, welche Entwicklungslinien für Data Mining denkbar sind und welche strategische Bedeutung sich hieraus für ein Unternehmen ergibt. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung6 1.1Motivation zur Anwendung von Data Mining 6 1.2Zielsetzung der Arbeit7 1.3Aufbau und Schwerpunktsetzung8 2.Einordnung und Begriffsbestimmung8 2.1Der Gesamtprozess Knowledge Discovery in Databases (KDD) 8 2.2Definition Data Mining 10 2.3Abgrenzung zu anderen Disziplinen12 2.3.1Data Warehouse12 2.3.2Visualisierungstechniken13 2.3.3Statistik14 2.3.4Maschinelles Lernen15 2.3.5Expertensysteme16 3.Eigenschaften von Data-Mining-Verfahren17 3.1Clusteranalyse18 3.1.1Hierarchische Clusterung18 3.1.1.1Agglomerative Methoden23 3.1.1.2Divisive Methoden26 3.1.1.3Eigenschaften hierarchischer Methoden28 3.1.2Partitionierende Clusterung29 3.1.2.1K-Means-Algorithmus29 3.1.2.2FKM-Algorithmus33 3.1.2.3Eigenschaften partitionierender Methoden39 3.2Statistische Verfahren40 3.2.1Bayes-Klassifikation40 3.2.1.1Beschreibung des Verfahrens40 3.2.1.2Eigenschaften der Bayes-Klassifikation44 3.2.2Assoziationsanalyse45 3.2.2.1Beschreibung des Verfahrens45 3.2.2.2Eigenschaften der [...]

Data Mining

DOWNLOAD NOW »

Author: Jürgen Cleve,Uwe Lämmel

Publisher: Walter de Gruyter GmbH & Co KG

ISBN: 311045677X

Category: Computers

Page: 328

View: 1249

In den riesigen Datenbergen moderner Datenbanken steckt unentdecktes Wissen, das ohne geeignete Hilfsmittel kaum zu Tage gefördert werden kann. Hier setzt das Data Mining an und liefert Methoden und Algorithmen, um bisher unbekannte Zusammenhänge zu entdecken. Nach der Vermittlung der Grundlagen und Anwendungsklassen des Data Mining in den ersten beiden Kapiteln wird in Kapitel 3 auf geeignete Darstellungsmöglichkeiten für Data-Mining-Modelle eingegangen; Kapitel 4 behandelt die Algorithmen und Verfahrensklassen, Kapitel 5 geht auf konkrete Anwendungsarchitekturen ein. Das Buch deckt den Stoff einer einsemestrigen Vorlesung zu Data Mining an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet Zusammenfassungen, zahlreiche Beispiele und Übungsaufgaben.

Real-Time Data Mining

DOWNLOAD NOW »

Author: Florian Stompe

Publisher: Diplomica Verlag

ISBN: 3836678799

Category: Business & Economics

Page: 106

View: 9214

Data Mining ist ein inzwischen etabliertes, erfolgreiches Werkzeug zur Extraktion von neuem, bislang unbekanntem Wissen aus Daten. In mittlerweile fast allen gr eren Unternehmen wird es genutzt um Mehrwerte f r Kunden zu generieren, den Erfolg von Marketingkampagnen zu erh hen, Betrugsverdacht aufzudecken oder beispielsweise durch Segmentierung unterschiedliche Kundengruppen zu identifizieren. Ein Grundproblem der intelligenten Datenanalyse besteht darin, dass Daten oftmals in rasanter Geschwindigkeit neu entstehen. Eink ufe im Supermarkt, Telefonverbindungen oder der ffentliche Verkehr erzeugen t glich eine neue Flut an Daten, in denen potentiell wertvolles Wissen steckt. Die versteckten Zusammenh nge und Muster k nnen sich im Zeitverlauf mehr oder weniger stark ver ndern. Datenmodellierung findet in der Regel aber noch immer einmalig bzw. sporadisch auf dem Snapshot einer Datenbank statt. Einmal erkannte Muster oder Zusammenh nge werden auch dann noch angenommen, wenn diese l ngst nicht mehr bestehen. Gerade in dynamischen Umgebungen wie zum Beispiel einem Internet-Shop sind Data Mining Modelle daher schnell veraltet. Betrugsversuche k nnen dann unter Umst nden nicht mehr erkannt, Absatzpotentiale nicht mehr genutzt werden oder Produktempfehlungen basieren auf veralteten Warenk rben. Um dauerhaft Wettbewerbsvorteile erzielen zu k nnen, muss das Wissen ber Daten aber m glichst aktuell und von ausgezeichneter Qualit t sein. Der Inhalt dieses Buches skizziert Methoden und Vorgehensweisen von Data Mining in Echtzeit.

Wirtschaftliche Bewertung von Data Mining bzw. Knowledge Discovery Software zur Unterstützung des Knowledge Management Systems eines Automobilzulieferers

DOWNLOAD NOW »

Author: Markus Hummel

Publisher: diplom.de

ISBN: 3832474331

Category: Computers

Page: 109

View: 2369

Inhaltsangabe:Zusammenfassung: Die Informationen in der Welt verdoppeln sich etwa alle 20 Monate. Zu den am stärksten wachsenden Datenquellen gehören neben dem Internet bspw. industrielle Prozessleitsysteme, betriebswirtschaftliche Datenbanken sowie die automatische Bilderfassung. Zusätzlich zur Erfassung und Speicherung stellen die Aufbereitung und Verarbeitung der Daten heute die größten Herausforderungen dar. Mittels Knowledge Management und Data Mining bzw. Knowledge Discovery versucht man spezielles Wissen, also die relevanten Informationen, zu extrahieren und effizienter nutzbar zu machen. In der vorliegenden Diplomarbeit werden zunächst die theoretischen Grundlagen von Knowledge Management und Data Mining bzw. Knowledge Discovery aufgezeigt. Nachdem die theoretischen Grundlagen zur Nutzwertanalyse und zu technischen Methoden zum Darstellen und Auffinden von Informationen im Intranet erläutert worden sind, erfolgt danach die Darstellung der aktuellen Situation des Knowledge Managements bei der LEONI AG und die in diesem Zusammenhang auftretenden Probleme. Dazu wird unter anderem auf die klassischen Wissensfindungsverfahren der bisherigen Suchmaschine, und die dabei sich zeigenden Grenzen eingegangen. Daraus wird im Anschluss der Versuch unternommen, ein vorläufiges Ideal- Konzept abzuleiten. Anhand dieses Konzepts werden im praktischen Teil der Arbeit die verschiedenen möglichen Alternativen zur Knowledge Discovery in LEONIs DV- Umgebung dargestellt und einer Nutzwertanalyse, sowie einer Investitionsrechnung unterzogen. Ziel dabei ist es herauszufinden, welche Lösungen für LEONI sinnvoll bzgl. Kosten und Nutzen sind. Die durchgeführte Ist- Aufnahme hat das Ziel, den Ist- Zustand zu erfassen und Schwachstellen der bereits implementierten Suchmaschine von Verity zu lokalisieren. Aus diesen Schwächen werden optimierte Anforderungen für eine neue Suchmaschine ermittelt und in einem Ideal- Konzept festgehalten. In der Bewertungsphase findet zuerst die Vorstellung der Technologie statt. Anschließend wird der Nutzen der verschiedenen Lösungsalternativen beschrieben, die dieses Konzept ansatzweise erfüllen können. Es wird ferner eine Kostenaufstellung für jedes Produkt gemacht. Die wirtschaftliche Bewertung erfolgt schließlich zum einen anhand von dynamischen Investitionsrechenverfahren und zum anderen mittels einer Nutzwertanalyse, bei der die Kosten als negativer Wert einfließen. Ein Bestandteil der Lösung war die Entwicklung einer [...]

Techniken des Data Mining, Knowledge Discovery und SPSS

DOWNLOAD NOW »

Author: Holger Herrmann

Publisher: GRIN Verlag

ISBN: 3638897907

Category: Computers

Page: 32

View: 2974

Studienarbeit aus dem Jahr 2004 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,7, FernUniversität Hagen, Veranstaltung: Wirtschaftsinformatik, 7 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: 1 Einleitung 1.1 Definition und Ziele des Data Mining 1.2 Vorgehensweise 1.3 Probleme beim Data Mining 1.4 Aufbereitung der Daten 2 Data Mining und Knowledge Discovery 2.1 Definition: „Knowledge Discovery“ 2.2 Die Phasen des Knowledge Discovery 3 Data Mining als Bestandteil des Data Warehousing 4 Techniken des Data Mining 4.1 Klassifikation und Entscheidungsbaum 4.1.1 Ziele der Verfahren 4.1.2 Beschreibung der Klassifikation und des Entscheidungsbaums 4.1.3 Anwendungsbeispiel eines Entscheidungsbaums 4.1.4 Probleme bei Klassifikation und Entscheidungsbaum 4.2 Die Assoziationsregeln 4.2.1 Ziel der Assoziationsregeln 4.2.2 Erzeugung von Assoziationsregeln 4.2.3 Anwendungsbeispiel von Assoziationsregeln 4.2.4 Probleme bei Assoziationsregeln 4.3 Das Clustering 4.3.1 Ziel des Clustering 4.3.2 Beschreibung des Clustering 4.3.3 Anwendungsbeispiel des Clustering 4.3.4 Probleme beim Clustering 5 Data Mining mit SPSS 5.1 Was ist SPSS? 5.2 Ein Beispiel zur Entscheidungsbaum-Analyse 6 Data Mining mit SAS 6.1 Das Unternehmen „SAS“ 6.2 Die Lösungen von SAS 6.3 Die Brücke zwischen Theorie und Praxis: Musterbeispiel KSFE 7 Zusammenfassung und Ausblick

Statistische Methoden des Data Mining und deren Anwendung

DOWNLOAD NOW »

Author: Hendrik Eisenberg

Publisher: diplom.de

ISBN: 3832479635

Category: Computers

Page: 111

View: 4317

Inhaltsangabe:Zusammenfassung: In dieser Arbeit stehen neben dem Begriff des Data Mining besonders die statistischen Methoden im Mittelpunkt. Interessenten sollen den kreativen Prozess des Data Mining näher kennen lernen und erfahren, welche Rolle dabei der Statistik zukommt. Das Ziel der Arbeit ist, eine weiterreichende Darstellung des Prozesses des Data Mining mit statistischen Methoden zu erstellen, angefangen bei der Zielfindung, über die Modellbildung, bis hin zur Bewertung der Ergebnisse. Dabei orientiert sich die Vorgehensweise der systematischen Auswertung an der Methode des CRoss Industry Standard Process for Data Mining, mit der sich Data Mining Prozesse beschreiben lassen. Zum besseren Verständnis werden grundlegende Begriffe zum Data Mining sowie die bedeutsamsten Methoden und Verfahren zur statistischen Datenanalyse erläutert, welche bei den im Anschluss aufgezeigten Data Mining Problemen zur Anwendung kommen. Die veranschaulichten Analyseprobleme entsprechen den Aufgaben der Data Mining Cups der Jahre 2001 und 2002. Dabei werden die zur Lösung angewendeten statistischen Methoden nachvollziehbar wiedergegeben und es wird auf die kritischen Erfolgsfaktoren eingegangen. Oftmals wirken sich schon einzelne Teilentscheidungen bei der Datenaufbereitung und bei den eingesetzten Klassifizierungsmethoden auf die Lösung der Data Mining Aufgabe aus. Daher stellte sich die Frage, wie solche Abweichungen von den aufgezeigten Methoden aussehen könnten. In dieser Arbeit werden im Einzelnen verschiedene Abwandlungen durchgeführt, am Ende zusammengefasst und diskutiert. Inhaltsverzeichnis:Inhaltsverzeichnis: Abbildungsverzeichnis6 Tabellenverzeichnis7 1.Einleitung9 1.1Problemstellung10 1.2Ziel der Arbeit11 1.3Themenabgrenzung12 2.Der Data Mining Prozess im CRISP-DM Referenzmodell14 2.1Das CRISP-DM Referenzmodell14 2.2Die Phasen des CRISP-DM Referenzmodells15 2.2.1business understanding (Anwendungsverstehen)15 2.2.2data understanding (Datenverstehen)16 2.2.3data preparation (Datenaufbereitung)16 2.2.4modeling (Modellerstellung)17 2.2.5evaluation (Bewertung der Ergebnisse)18 2.2.6deployment (Anwendung)19 3.Grundlegende Begriffe20 3.1Die Statistik im Data Mining Prozess20 3.2Segmentierung und Klassifikation22 3.2.1Begriff der Segmentierung22 3.2.2Begriff der Klassifikation22 3.3Standardisierung23 3.4Maße für die Ähnlichkeit von Objekten24 4.Methoden der statistischen [...]

Urban data mining

Operationalisierung der Strukturerkennung und Strukturbildung von Ähnlichkeitsmustern über die gebaute Umwelt

DOWNLOAD NOW »

Author: N.A

Publisher: KIT Scientific Publishing

ISBN: 3866442491

Category:

Page: 303

View: 6660

Data Mining

Theoretische Aspekte und Anwendungen

DOWNLOAD NOW »

Author: Gholamreza Nakhaeizadeh

Publisher: Springer-Verlag

ISBN: 364286094X

Category: Business & Economics

Page: 363

View: 7551

Data Preparation for Data Mining

DOWNLOAD NOW »

Author: Dorian Pyle

Publisher: Morgan Kaufmann

ISBN: 9781558605299

Category: Computers

Page: 540

View: 1633

A guide to the importance of well-structured data as the first step to successful data mining. It shows how data should be prepared prior to mining in order to maximize mining performance, and provides examples of how to apply a variety of techniques in order to solve real world business problems.

Data Mining im praktischen Einsatz

Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung

DOWNLOAD NOW »

Author: Paul Alpar,Joachim Niedereichholz

Publisher: Springer-Verlag

ISBN: 3322899500

Category: Technology & Engineering

Page: 232

View: 9559

Das Buch stellt anhand von Praxisfällen dar, wie mit Hilfe der Verfahren des Data Mining und der Business Intelligence Verhaltensmuster und Wissen in großen Datenbeständen entdeckt werden können. Es geht beispielsweise um Kundensegmentierung, Bonitätsprüfung oder Werbeträgerplanung in Branchen wie Versandhandel, Versicherung, Einzelhandel oder Telekommunikation.

Data Mining im Personalmanagement

Eine Analyse des Einsatzpotenzials zur Entscheidungsunterstützung

DOWNLOAD NOW »

Author: Franca Piazza

Publisher: Springer-Verlag

ISBN: 3834986488

Category: Business & Economics

Page: 227

View: 5596

Franca Piazza untersucht auf Basis der Entscheidungstheorie das Einsatzpotenzial von Data Mining im Personalmanagement. Sie zeigt, welche personalwirtschaftlichen Entscheidungen unterstützt werden können, worin der Beitrag zur personalwirtschaftlichen Entscheidungsunterstützung besteht und wie dieser zu bewerten ist.

Data Mining and Data Visualization

DOWNLOAD NOW »

Author: N.A

Publisher: Elsevier

ISBN: 9780080459400

Category: Mathematics

Page: 800

View: 8723

Data Mining and Data Visualization focuses on dealing with large-scale data, a field commonly referred to as data mining. The book is divided into three sections. The first deals with an introduction to statistical aspects of data mining and machine learning and includes applications to text analysis, computer intrusion detection, and hiding of information in digital files. The second section focuses on a variety of statistical methodologies that have proven to be effective in data mining applications. These include clustering, classification, multivariate density estimation, tree-based methods, pattern recognition, outlier detection, genetic algorithms, and dimensionality reduction. The third section focuses on data visualization and covers issues of visualization of high-dimensional data, novel graphical techniques with a focus on human factors, interactive graphics, and data visualization using virtual reality. This book represents a thorough cross section of internationally renowned thinkers who are inventing methods for dealing with a new data paradigm. Distinguished contributors who are international experts in aspects of data mining Includes data mining approaches to non-numerical data mining including text data, Internet traffic data, and geographic data Highly topical discussions reflecting current thinking on contemporary technical issues, e.g. streaming data Discusses taxonomy of dataset sizes, computational complexity, and scalability usually ignored in most discussions Thorough discussion of data visualization issues blending statistical, human factors, and computational insights

Advances in Knowledge Discovery and Data Mining, Part I

14th Pacific-Asia Conference, PAKDD 2010, Hyderabat, India, June 21-24, 2010, Proceedings

DOWNLOAD NOW »

Author: Mohammed J. Zaki,Jeffrey Xu Yu,B. Ravindran,Vikram Pudi

Publisher: Springer Science & Business Media

ISBN: 3642136567

Category: Computers

Page: 506

View: 6032

The LNAI series reports state-of-the-art results in artificial intelligence research, development, and education, at a high level and in both printed and electronic form. Enjoying tight cooperation with the R&D community, with numerous individuals, as well as with prestigious organizations and societies, LNAI has grown into the most comprehensive artificial intelligence research forum available. The scope of LNAI spans the whole range of artificial intelligence and intelligent information processing including interdisciplinary topics in a variety of application fields. The type of material published traditionally includes -proceedings (published in time for the respective conference) -post-proceedings (consisting of thoroughly revised final full papers) -research monographs (which may be based on PhD work) More recently, several color-cover sublines have been added featuring, beyond a collection of papers, various added-value components; these sublines include -tutorials (textbook-like monographs or collections of lectures given at advanced courses) -state-of-the-art surveys (offering complete and mediated coverage of a topic) -hot topics (introducing emergent topics to the broader community)

Einsatzpotentiale von Data Mining und OLAP als Bestandteile moderner Managementunterstützungssysteme

DOWNLOAD NOW »

Author: Christian Czech

Publisher: GRIN Verlag

ISBN: 3638850447

Category: Business & Economics

Page: 41

View: 7745

Diplomarbeit aus dem Jahr 2005 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 1,3, Verwaltungs- und Wirtschaftsakademie Essen , 11 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Management ist das englische Wort für Führung. Führung seinerseits bedeutet das zielgerichtete Einwirken auf das Verhalten anderer Menschen. Es geht also um Ziele und um ein Einwirken. Jedes Unternehmen wird mit einer Vision gegründet. Aus dieser Vision werden Handlungsstrategien abgeleitet, die die Erreichung von Zwischenzielen ermöglichen. Durch Vorgabe von konkreten Zielgrößen werden die Strategien operationabel gemacht. Das bedeutet, die Mitarbeiter des Unternehmens erhalten genaue Zielvorgaben, die sie zu erfüllen haben. Es stellt sich hierbei jedem Manager die Frage, welche Zielvorgaben zu wählen sind. Bei dieser Entscheidung sind einerseits die Vision des Unternehmens und die aktuellen Strategien von Bedeutung, andererseits aber auch die derzeitige Situation sowie die zurückliegende Entwicklung. Es sind also Unternehmensdaten aus der Vergangenheit und Gegenwart in Betracht zu ziehen und daraus Zukunftswerte, also Planzahlen, abzuleiten. Hierbei eignen sich EDV-Anlagen zur Unterstützung dieser Entscheidung sehr gut. Grundlage sind eine oder mehrere umfangreiche Datenbanken, die zur Bearbeitung der laufenden Geschäftsvorfälle durch Benutzereingaben abgefragt oder geändert werden können. Hierbei werden operative Informationssysteme und sog. Führungsinformationssysteme (engl. Executive Information Systems, EIS) unterschieden. Nach Hansen zählen zu den operativen IS Systeme für die Abwicklung von Geschäftstransaktionen (Transaktionssysteme) und Systeme, die Entscheidungen vorbereiten oder selber treffen (Dispositionssysteme). Auf strategischer Ebene existieren Planungssysteme, die Führungskräfte bei ihren Planungsaufgaben unterstützen, und Kontrollsysteme, die zur Überwachung der Einhaltung der Pläne durch Soll-Ist-Vergleiche und Hinweise auf notwendige Korrekturmaßnahmen dienen. Sämtliche Arten von Informationssystemen für Führungskräfte werden als Managementunterstützungssysteme (MUS) bezeichnet. Die aktuelle Situation in den Unternehmen ist allerdings weit entfernt von dieser Idealvorstellung. Durch den Einsatz moderner Informations- und Kommunikationstechniken steht zwar eine Vielzahl von digitalen Daten zur Verfügung, allerdings ist kaum jemand in der Lage, diese sinnvoll zu nutzen. Dieser Istzustand lässt sich charakterisieren als Informationsarmut trotz Datenflut. Die Datenflut entsteht durch den unternehmensweiten Einsatz operativer Anwendungssysteme.“ ...

Data Mining: Concepts and Techniques

DOWNLOAD NOW »

Author: Jiawei Han,Jian Pei,Micheline Kamber

Publisher: Elsevier

ISBN: 9780123814807

Category: Computers

Page: 744

View: 6131

Data Mining: Concepts and Techniques provides the concepts and techniques in processing gathered data or information, which will be used in various applications. Specifically, it explains data mining and the tools used in discovering knowledge from the collected data. This book is referred as the knowledge discovery from data (KDD). It focuses on the feasibility, usefulness, effectiveness, and scalability of techniques of large data sets. After describing data mining, this edition explains the methods of knowing, preprocessing, processing, and warehousing data. It then presents information about data warehouses, online analytical processing (OLAP), and data cube technology. Then, the methods involved in mining frequent patterns, associations, and correlations for large data sets are described. The book details the methods for data classification and introduces the concepts and methods for data clustering. The remaining chapters discuss the outlier detection and the trends, applications, and research frontiers in data mining. This book is intended for Computer Science students, application developers, business professionals, and researchers who seek information on data mining. Presents dozens of algorithms and implementation examples, all in pseudo-code and suitable for use in real-world, large-scale data mining projects Addresses advanced topics such as mining object-relational databases, spatial databases, multimedia databases, time-series databases, text databases, the World Wide Web, and applications in several fields Provides a comprehensive, practical look at the concepts and techniques you need to get the most out of your data