Data Mining
Die Vorlesung gibt einen Überblick über die Wissensgewinnung aus (strukturierten) Daten. Dazu gehören unter anderem:
- Vorverabeitungstechniken
- OLAP-Analyse & Data-Warehousing
- Clustering (k-means, k-medoids, DBSCAN, OPTICS)
- Klassifikation (k-Nearest-Neighbor, Bayes, Entscheidungsbaum, Support Vector Machine; Bagging, Boosting, z. B. Random Forest, AdaBoost)
- Assoziationsregellernen (Aprioiri, FP-Growth)
- Subgruppenentdeckung
Organisatorisches
- Vorlesung:
Di, 12:15 - 13:45
Informatik - Übungsraum II
Erster Veranstaltungstag: 14.04.2015 - Übung:
Do, 14:15 - 15:45
Informatik - Übungsraum II
Erster Veranstaltungstag: 23.04.2015 - WueCampus-Kurs:
Kurs - Anmeldung: Eine Anmeldung vor der ersten Vorlesung ist nicht nötig! Die genauen Einschreibemodalitäten werden in der ersten Vorlesungssitzung bekannt gegeben.
- Prüfung SS 2015: 22.07.2015 10:15
- Prüfung WS 2015/16: 05.10.2015 10:15 (schriftlich) oder 05./06.10.2015 mündlich, je nach Teilnehmerzahl. Anmeldung über sb@home
Literatur
-
Knowledge Discovery in Databases: Techniken und Anwendungen Ester, Martin; Sander, Jörg (2000). (1st ed.) Springer Berlin Heidelberg.
-
CRISP-DM 1.0 Step-by-step data mining guide Chapman, Pete; Clinton, Julian; Kerber, Randy; Khabaza, Thomas; Reinartz, Thomas; Shearer, Colin; Wirth, Rudiger (2000).
-
Advances in Knowledge Discovery and Data Mining. Fayyad, Usama M.; Piatetsky-Shapiro, Gregory; Smyth, Padhraic; Uthurusamy, Ramasamy (1996).[ BibTeX ]
Weitere Literatur zur Vorlesung
-
Sequential minimal optimization: A fast algorithm for training support vector machines. Platt, J. (1998).
-
OPTICS: Ordering Points To Identify the Clustering Structure. Ankerst, Mihael; Breunig, Markus M.; peter Kriegel, Hans; Sander, Jörg (1999). 49–60.[ BibTeX ]
-
On End-to-End Program Generation from User Intention by Deep Neural Networks. Mou, Lili; Men, Rui; Li, Ge; Zhang, Lu; Jin, Zhi in CoRR (2015). abs/1510.07211
-
Mining Frequent Patterns without Candidate Generation. Han, Jiawei; Pei, Jian; Yin, Yiwen W. Chen, J. F. Naughton, P. A. Bernstein (eds.) (2000). 1–12.
-
Maximum likelihood from incomplete data via the EM algorithm. Dempster, A. P.; Laird, N. M.; Rubin, D. B. in Journal of the Royal Statistical Society: Series B (1977). 39 1–38.
-
Experiments with a New Boosting Algorithm. Freund, Yoav; Schapire, Robert E. (1996). 148–156.
-
Experimental evidence of massive-scale emotional contagion through social networks. Kramer, Adam D. I.; Guillory, Jamie E.; Hancock, Jeffrey T. in Proceedings of the National Academy of Sciences (2014). 111(24) 8788–8790.
-
Data Science and Prediction. Dhar, Vasant in Commun. ACM (2013). 56(12) 64–73.
-
Data Science and its Relationship to Big Data and Data-Driven Decision Making. Provost, Foster; Fawcett, Tom in Big Data (2013). 1(1) 51–59.[ BibTeX ]
-
Clustering by means of medoids. Kaufman, Leonard; Rousseeuw, Peter J. (I. D. Y; editor, eds.) (1987). 405–416.[ BibTeX ]
-
Bagging, Boosting, and C4.5. Quinlan, J. Ross W. J. Clancey, D. S. Weld (eds.) (1996). 725–730.
-
Automatic Subspace Clustering of High Dimensional Data for Data Mining Applications. Agrawal, Rakesh; Gehrke, Johannes; Gunopulos, Dimitrios; Raghavan, Prabhakar (1998). 94–105.[ BibTeX ]
-
A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Ester, Martin; Kriegel, Hans-Peter; Sander, Jörg; Xu, Xiaowei (1996). 226–231.[ BibTeX ]