Data Mining - Concepts and Techniques
Details
| ID | 2858811 |
| Duration | 2.0 days |
| Methods | Lecture with examples and exercises. |
| Prerequisites | General knowledge of math |
| Target group | Information workers, IT professionals |
Overview
Data mining (the analysis step of the \"Knowledge Discovery in Databases\" process, or KDD) is the computational process of discovering patterns in large data sets involving methods at the intersection of artificial intelligence, machine learning, statistics, and database systems. The overall goal of the data mining process is to extract information from a data set and transform it into an understandable structure for further use. Aside from the raw analysis step, it involves database and data management aspects, data pre-processing, model and inference considerations, interestingness metrics, complexity considerations, post-processing of discovered structures, visualization, and online updating.
Dates
Zurzeit stehen keine offenen Termine zur Verfügung. Nutzen Sie alternativ die Inhouse‑Option.
Learn with customized examples and content—precisely tailored to your requirements.
Your benefits at a glance
- Flexible preferred date
- Customized content
- Intensive exchange
- High practical relevance
Comelio Media
Still looking for additional reading? Discover suitable specialist books in our catalog.
Services
- Lunch / catering
- Help with hotel / travel
- Comelio certificate
- Flexible: free cancellation up to one day before
Content
Data Mining-Grundlagen
Statistik, multivariate Statistik und Data Mining – Data Mining-Kreislauf - Daten-Vorverarbeitung: Beschreibende Datenaggregation, Datenbereinigung, Datenintegration und –transformation – Datenreduktion – Diskretisierung und Konzept-Hierarchien – Data Mining und Business Intelligence: Datenbanken, Data Warehouses und OLAP als Basis für Data MiningData Mining mit der Assoziationsanalyse
Suchen von häufigen Kombinationen (Frequent Itemset Mining) – Apriori-Algorithmus - Assoziationsregeln und Assoziationsanalyse - WarenkorbanalyseData Mining mit Entscheidungsbäumen
Ableitung von Entscheidungsbäumen – Auswahl von Attributen – Beschneidung von Bäumen – Ableitung von Regeln - Gütemaße und Vergleich von ModellenData Mining mit Wahrscheinlichkeitstheorie
Wahrscheinlichkeitstheorie und Bayes Theorem –Naïve Bayes-Algorithmus – Bayes NetzeFortgeschrittene Data Mining-Verfahren für Klassifikation
Künstliche neuronale Netze und der Backpropagation-Algorithmus - Support Vector Machines für linear und nicht-linear trennbare Daten – Klassifikation mit Assoziationsanalyse – Lazy und Eager LearnersCluster-Analyse
Einführung in die Cluster Analyse – Ähnlichkeits- und Distanzmessung - Varianten und grundlegende Techniken – Partitionierende Methoden: k-Means-Verfahren - Hierarchische Methoden: agglomerative und divisive Verfahren – Weitere Verfahren: Dichte- und Grid-basierte MethodenInstructor
Marco Skulschus (born in Germany in 1978) studied economics in Wuppertal (Germany) and Paris (France) and wrote his master´s thesis about semantic data modeling. He started working as a lecturer and consultant in 2002.Publications
- Grundlagen empirische Sozialforschung (Comelio Medien)
978-3-939701-23-1 - System und Systematik von Fragebögen (Comelio Medien)
978-3-939701-26-2 - Oracle PL/SQL (Comelio Medien)
978-3-939701-40-8 - MS SQL Server - T-SQL Programmierung und Abfragen (Comelio Medien)
978-3-939701-69-9