Veranstaltung
Data Mining and Applications [SS202520375]
Dozent/en
Einrichtung
- KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von
- Teilleistung Data Mining and Applications | Wirtschaftsingenieurwesen (M.Sc.)
- Teilleistung Data Mining and Applications | Wirtschaftsingenieurwesen (B.Sc.)
- Teilleistung Data Mining and Applications | Technische Volkswirtschaftslehre (M.Sc.)
- Teilleistung Data Mining and Applications | Technische Volkswirtschaftslehre (B.Sc.)
- Teilleistung Data Mining and Applications | Wirtschaftsinformatik (M.Sc.)
- Teilleistung Data Mining and Applications | Wirtschaftsinformatik (B.Sc.)
- Teilleistung Data Mining and Applications | Informationswirtschaft (B.Sc.)
- Teilleistung Data Mining and Applications | Informationswirtschaft (M.Sc.)
- Teilleistung Data Mining and Applications | Wirtschaftsmathematik (M.Sc.)
Literatur
U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, R. Uthurusamy, editors, Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996 (order online from Amazon.com or from MIT Press).
Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2nd edition, Morgan Kaufmann, ISBN 1558609016 , 2006.
David J. Hand, Heikki Mannila and Padhraic Smyth, Principles of Data Mining , MIT Press, Fall 2000
Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Verlag, 2001.
Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Pearson Addison wesley (May, 2005). Hardcover: 769 pages. ISBN: 0321321367
Ripley, B.D. (1996) Pattern Recognition and Neural Networks, Cambridge: Cambridge University Press.
Ian Witten and Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2nd Edition, Morgan Kaufmann, ISBN 0120884070 , 2005.
Anmerkung
Lernziele:
Die Studierenden
- kennen die Definition des Data Mining
- sind mit dem CRISP-DM vertraut
- sind mit den wichtigsten Data Mining-Algorithmen wie Entscheidungsbaum, K-Means, Künstliche Neuronale Netze, Assoziationsregeln, Regressionsanalyse vertraut
- können mit einem DM-Tool arbeiten
Inhalt:
Part one: Data Mining:
What is Data Mining?; History of Data Mining; Conferences and Journals on Data Mining; Potential Applications; Data Mining Process; Business Understanding; Data Understanding; Data Preparation; Modeling; Evaluation; Deployment; Interdisciplinary aspects of Data Mining; Data Mining tasks; Data Mining Algorithms (Decision Trees, Association Rules, Regression, Clustering, Neural Networks); Fuzzy Mining; OLAP and Data Warehouse; Data Mining Tools; Trends in Data Mining
Part two: Examples of application of Data Mining
Success parameters of Data Mining Projects; Application in industry; Application in Commerce
Arbeitsaufwand:
Gesamtaufwand bei 4,5 Leistungspunkten: ca. 135 Stunden
Präsenzzeit: 30 Stunden
Vor- /Nachbereitung: 65 Stunden
Prüfung und Prüfungsvorbereitung: 40 Stunden